Você está na página 1de 84

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico.

Universidad Nacional de Colombia

APLICACIN DE TCNICAS DE OPTIMIZACIN BIOINSPIRADAS EN PROBLEMAS DE DISEO MECNICO

Jorge Enrique Velandia Vargas

Universidad Nacional de Colombia Facultad de ingeniera Departamento de Ingeniera Mecnica Directora: Mara Alejandra Guzmn Pardo Ph.D.

Enero de 2011
~1~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

~2~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

ndice

0. Optimizacin Numrica 1. Algoritmos genticos


1.1. Introduccin 1.1.1. Contexto general 1.2. Definicin y metodologa 1.2.1. Cadena de Caracteres 1.2.2. Funcin Objetivo 1.2.3. Iniciacin 1.2.4. Seleccin 1.2.5. Reproduccin 1.2.6. Terminacin 1.3. Conceptos centrales 1.3.1. Etapas AG 1.3.1.1. Iniciacin 1.3.1.2. Seleccin 1.3.1.3. Reproduccin 1.3.1.3.1. Cruce 1.3.1.3.2. Mutacin 1.3.1.3.3. Mutacin o Cruce? 1.3.1.4. Terminacin 1.4. Optimizacin Multiobjetivo 1.4.1. Dominancia de Pareto 1.4.2. Soluciones no comparables 1.4.3. Conjunto Pareto 1.4.4. Frente de Pareto 1.5. NSGA II Y SPEA II 1.6. Resea bibliogrfica de aplicaciones.

2. Optimizacin por Colonia de Hormigas


2.1. Introduccin 2.2. El mecanismo 2.3. Optimizacin por Colonia de Hormigas, caractersticas. 2.4. El cdigo y sus definiciones

~3~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

2.5. Aplicaciones ACO

3. Recocido simulado
3.1. Introduccin 3.2. El proceso del recocido 3.3. La Analoga 3.4. La metaheurstica 3.4.1. Generacin de soluciones 3.4.2. Evaluacin de soluciones 3.4.3. Agendado de recocido 3.4.3.1. Temperatura Inicial 3.4.3.2. Temperatura Final 3.4.3.3. Otras consideraciones

4. Optimizacin por Enjambre de Partculas


4.1. Introduccin 4.2. El concepto bsico 4.3. El mecanismo 4.4. La metaheurstica 4.4.1. El vecindario de las Partculas 4.4.2. Variables de PSO 4.4.3. Caractersticas 4.4.4. Parmetros de PSO en dominios discretos 4.5. Aplicaciones

~4~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Optimizacin numrica

En el ejercicio de la ingeniera es natural encontrar que los procesos son descritos por lenguajes matemticos, tal particularidad desde siempre ha caracterizado a la ingeniera. Tal relacin de reciprocidad, la ingeniera vindose sustentada en trminos matemticos y la matemtica encarnada en el mundo real a travs de aplicaciones de ingeniera, permite un beneficio fundamental, las alteraciones que se realicen a la representacin matemtica de un problema de ingeniera van a resultar en modificaciones de tal proceso en su aplicacin; simultneamente, por definicin, la ingeniera, busca el uso racional y adecuado de los recursos disponibles para producir transformaciones en su entorno, en otras palabras se busca optimizar sus procedimientos y resultados. Bien podra decirse que toda aplicacin de la ingeniera es susceptible de ser mejorada u optimizada, un problema de optimizacin es aquel que busca el punto para el cual una funcin matemtica que define a un problema alcanza un valor que se considera mximo o mnimo; a menudo el problema a optimizar tambin satisface una restriccin o restricciones, las cuales son inherentes a la definicin del problema y se definen como valores matemticos que es posible obtener para la funcin, pero que por la definicin del problema en la vida real no tienen sentido. La optimizacin busca dar respuesta a ciertos problemas matemticos donde se necesita elegir el mejor elemento (normalmente una funcin) en un espacio matemtico definido. Matemticamente el problema equivale a resolver la siguiente ecuacin: max min

(0.1)

Donde x = (x1,..., xn) es un vector y representa las variables de decisin, f(x) es llamada Funcin Objetivo, que es aquella expresin a optimizar y es el espacio matemtico en el cul estn definidas las posibles respuestas. Es posible clasificar varios tipos de procedimientos de optimizacin en ingeniera: Optimizacin Diferencial: Si la restriccin es una igualdad con igual o menor nmero de variables que la Funcin Objetivo o si la restriccin no existe, el clculo diferencial tradicional puede resolverlo.

~5~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Optimizacin con restricciones de desigualdad - optimizacin no clsica: Si la restriccin contiene mayor cantidad de variables que la funcin objetivo o si contiene restricciones de desigualdad existen mtodos para hallar los valores mximos o mnimos a travs de algebra lineal o la llamada Programacin Lineal. Optimizacin casos especiales: Si el problema llega a ser tan inslito como decir que no se conoce la Funcin Objetivo o las restricciones, un campo en la matemtica llamado Lgica Difusa se encarga de estudiarla. Optimizacin estocstica: Para algunos problemas el mtodo de solucin genera valores aleatorios para lograr una respuesta satisfactoria, en este tipo de aproximacin las variables aleatorias aparecen en la formulacin del problema en s mismo, el cual puede incluir Funciones Objetivo aleatorias o incluso restricciones aleatorias. Incluso si la solucin a un problema implica mediciones precisas, algunos mtodos introducen aleatoriedad al proceso, la cual los hace menos sensibles a errores de modelado. La Metaheurstica: ntimamente relacionado a la optimizacin estocstica surge el trmino Metaheurstica, el cual hace referencia a mtodos computaciones que actan sobre la solucin a un problema sometindola a un proceso iterativo que busca llevarla a cierto estndar de calidad (mejorarla). La Metaheurstica no hace ninguna suposicin sobre el problema y su funcionamiento se basa en la bsqueda (con un importante componente de aleatoriedad) de posibles soluciones en un espacio de bsqueda, un espacio matemtico. Las tcnicas metaheursticas son utilizadas en optimizacin combinatoria, en la cual una solucin ptima es buscada a travs de un espacio de bsqueda predeterminado, tambin se puede recurrir a ellas cuando la funcin objetivo no es diferenciable, debido a que no utilizan el concepto de gradiente. El objetivo principal de este documento es presentar cuatro tcnicas de optimizacin inspiradas en fenmenos de la naturaleza que han sido ampliamente divulgadas y presentar una muestra bibliogrfica de algunas de sus aplicaciones en Ingeniera Mecnica. Tales tcnicas son: Algoritmos Genticos. Optimizacin por Colonia de Hormigas Recocido Simulado Optimizacin por Enjambre de Partculas

~6~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

1. Tcnica de optimizacin por algoritmos genticos


(Genetic Algorithms) 1.1. Introduccin A mediados del siglo XIX Charles R. Darwin estableca en su documento El origen de las especies por medio de la seleccin natural, o la preservacin de las razas preferidas en la lucha por la vida (Darwin,1859) la teora de la evolucin, la cual se basa en la idea de que los seres vivos tienen la capacidad de transmitir la informacin inscrita en un cdigo biolgico fundamental presente en todas sus clulas, conocido como cdigo gentico, a posteriores generaciones siempre y cuando quienes van a transmitir esa informacin (llamados padres o progenitores) sean aptos para hacerlo; de tal manera se acu el principio de La supervivencia del ms apto, siendo el medio en que habita cada individuo el que define los criterios bajo los cuales se denomina a un organismo como apto o inepto. El medio por el cual cada organismo transmite su informacin gentica es la reproduccin, la cual puede ser sexual o asexual segn sea el caso, es necesario recordar que la informacin que el individuo transmite tambin lo define a s mismo en funcin de su entorno; por ejemplo: Dos ratones (Figura 1), cuya reproduccin es sexual, transmiten su informacin a su cra y al mismo tiempo esa informacin los define a ellos mismos (si son por ejemplo blancos, negros o cafs), posteriormente, el descendiente tendr caractersticas de cada uno de sus progenitores, la cual especificar su color o si es peludo, blanco, orejn, etc. De otra forma, la reproduccin asexual garantiza un nuevo ser con exactamente las mismas caractersticas de su progenitor, de este modo las variaciones entre generaciones solo van a existir por medio del proceso de la mutacin. La mutacin es la modificacin del material gentico de un individuo por factores del ambiente (radiaciones, interacciones qumicas, etc.) La reproduccin sexual se basa en la unin de dos sujetos que aportan sus caractersticas genticas a un nuevo individuo mediante el cruce, es bien establecido mediante medios y resultados experimentales que no van a ser tratados en este documento, que la reproduccin sexual tiene ventaja sobre la asexual en ciertos aspectos, por ejemplo, el hecho de procrear descendientes inmunolgicamente diferentes a sus padres los hace ms aptos ante cambios ambientales y agentes patgenos; mientras que en la reproduccin asexual la capacidad de adaptacin a cambios ambientales de una generacin a otra es mucho menor; sin embargo la ventaja ms importante de la reproduccin asexual es la no necesidad de un compaero para procrear. Un Algoritmo Gentico es un proceso metaheurstico que imita la idea de la evolucin natural, propia de la teora Darwiniana; es usado para generar soluciones tiles en optimizacin y/o en bsquedas conocidas como Operational Research o Bsquedas Operacionales. (Glover et al, 2003) resumen un proceso metaheurstico como un mtodo

~7~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

de solucin que orquesta una interaccin entre procedimientos de solucin numrica de bsquedas u optimizacin en una escala local y estrategias de un nivel global para crear y ejecutar una exploracin robusta en el espacio de bsqueda.

Figura 1.1. Reproduccin sexual de un Ratn y asexual de una ameba. Tomado de (1) (2)

En otras palabras, el trmino Meta-Heurstico, evoca bsicamente un mtodo en el cul se avanza en la resolucin de un problema, sin embargo se ignora si la solucin puede ser hallada (no existe un algoritmo definido para su solucin) y tampoco se est seguro acerca del camino ms eficiente para llegar a ella (si es que existe), quien intenta resolver el problema es quien plantea las instrucciones para buscar una terica solucin y para ello se basa en ciertos conocimientos generales introducidos por l en su mtodo. Un ejemplo de problema con caractersticas metaheursticas est referido en la Figura 1.2: Cul ser el mejor camino para viajar de Villavicencio a Barrancabermeja? Desde luego es indispensable tener en cuenta mltiples aspectos como el estado de las carreteras (asfalto), la velocidad promedio que se puede alcanzar (trazado de la va), el abastecimiento de combustible (autonoma del automvil y distancia entre estaciones), etc. Tres caractersticas que permiten clasificar el problema de la Figura 1.2 como metaheurstico son: La no existencia de un algoritmo especfico predefinido que arroje una solucin satisfactoria para todas las variables a considerar. El hecho de que se busca maximizar (o minimizar) una funcin especificada por el creador. La existencia de mltiples soluciones posibles de las cuales se busca la mejor.

Observaciones a tener en cuenta: 1. Los algoritmos metaheursticos resuelven computacionalmente un problema de buena manera (algo muy subjetivo) en un tiempo razonable (algo tambin muy subjetivo).

~8~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Figura 1.2. Cul ser el mejor camino para viajar de Villavicencio a Barrancabermeja? Tomado de (3)

2. A qu se refiere el problema con El mejor camino? o o o El ms rpido? .El que menor tiempo emplea El ms econmico? El que menor cantidad de recursos (gasolina, combustible, frenos, peajes) consume. El ms cmodo? El que menos sobresaltos presenta por cambios de clima, carreteras en mejor estado.

Es decir, es natural asumir que un problema de la vida real no va a tener una sola variable a optimizar y que debe pensarse, la mayora de las veces, en mltiples variables y restricciones. 3. Supngase que existen cinco posibles rutas para llegar de Villavicencio a Barrancabermeja, es decir 1*2*3*4*5 = 120 opciones (sin tener en cuenta por ahora todas las restricciones sealadas anteriormente), ahora, al considerar por ejemplo trece posibles rutas, lo cual no es descabellado si se observa detenidamente el mapa, se obtienen 6227020800 posibles opciones, razn por la cual el costo computacional es un aspecto que no se puede obviar. Los mtodos metaheursticos tienen la ventaja de brindar buenas soluciones dado un tiempo de computacin acorde con el problema a solucionar.

~9~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

1.1.1. Contexto general En 1975 John Holland, reconocido como el padre de la metaheurstica, acu el trmino Algoritmo Gentico en (Holland, 1975); contemporneamente cientficos alemanes como (Rechenberg, 1973) o (Schwefel, 1977) desarrollaron la idea de la Evolutionsstrategie. En tales documentos se enriquece la discusin y se encabezan dos tendencias principales como metodologa de la evolucin de los algoritmos: El cruce y la mutacin. Posteriormente trabajos como el de (de Jong, 1975) clasifican los trabajos de Holland como mtodos de Hill Climbing (literalmente ascenso de colinas), los cuales son algoritmos iterativos que comienzan son una solucin arbitraria a un problema y que luego intentan encontrar una mejor solucin cambiando paulatinamente elementos de la solucin inicial arbitraria. Posterior a estos pioneros sucedieron otros autores como (Lin, 1965) cuyo trabajo mostr excelentes soluciones al Problema del Vendedor Viajero, el cual plantea que: Un vendedor debe recorrer un nmero n de ciudades (vase Figura 1.3) A, B, C, etc., dada la distancia entre las ciudades (Las lneas que unen los crculos) debe hallarse la ruta ms corta posible que visita cada ciudad una sola vez.

Figura 1.3. Ilustracin del problema del vendedor viajero

En ese mismo documento, Lin exploraba una idea de la Recombinacin con Mltiples Padres, es decir, la posibilidad de crear algoritmos con ms de 2 padres (para el caso de la reproduccin por cruce), no obstante, al no haber definido apropiadamente algunos conceptos, se remite al lector al siguiente apartado referente a la metodologa de trabajo de un Algoritmo Gentico.

1.2. Definicin y metodologa El mtodo de los algoritmos genticos es bsicamente un procesamiento estructurado de informacin que funciona haciendo una analoga al proceso de seleccin natural, as:

~ 10 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

1.2.1. Cadenas de Caracteres: Se establece una serie de secuencias de informacin conocidas como Cadenas de Caracteres (Cdc), las cuales representan las soluciones candidato (llamadas tambin individuos) a resolver el problema planteado; cada Cadena de Caracteres (la mayora de las veces representadas mediante un cdigo binario, pero no necesariamente debe ser as) se encuentra contenida en un espacio matemtico, llamado Espacio de Bsqueda, en el cual se considera que est contenida la solucin ptima al problema, de tal manera que cada Cdc o Cromosoma es una solucin posible a un problema de optimizacin, pero no se conoce cul es la mejor.

Figura 1.4. Cadena de Caracteres o cromosoma con 6 genes que conforman un individuo

1.2.2. Funcin Objetivo: Antes de iniciar el procedimiento se requiere establecer una Funcin de Aptitud o Funcin Objetivo, la cual permite evaluar si un individuo cumple con las condiciones impuestas por la solucin requerida, esta funcin describe las caractersticas que el cual la solucin debe satisfacer para considerarse efectiva. , , | (1.1)

1.2.3. Iniciacin: Muchos individuos son generados/elegidos al azar teniendo en cuenta el rango entero de posibles soluciones, inclusive, los grupos de individuos pueden ser plantados en regiones matemticas donde las soluciones ptimas tienen mejores probabilidades de ser halladas.

Figura 1.5. Proceso de iniciacin, ocho CdC seleccionadas al azar

1.2.4. Seleccin: A travs de la comparacin de los individuos respecto de la Funcin de Aptitud se seleccionan los que pueden llegar a tener algunas

~ 11 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

caractersticas tiles (Fenotipo) para utilizar su informacin fundamental, es decir, utilizar datos especficos de la cadena de caracteres (Genotipo) en el siguiente paso. La Figura 1.6 muestra el esquema del mtodo de la ruleta, en el cual la probabilidad de seleccin de un individuo es proporcional a su aptitud, medida respecto de la funcin objetivo.

Figura 1.6. Criterio para el proceso de seleccin. Tomado de (Glover et al, 2003)

Nota: El genotipo en la biologa se define como una representacin codificada de variables de un organismo, as que podra definirse como la informacin que est encriptada en cada cadena gentica y que es la identidad del sujeto en s misma. El Fenotipo puede entenderse como la expresin del genotipo en funcin de su ambiente, por ejemplo: Un pjaro tiene plumas azules, tiene el pico largo, tiene ojos color rojo. Un gen es cada uno de los segmentos de informacin contenidos en el Genotipo del individuo (Figura 1.4). Es decir, el Fenotipo es una expresin del Genotipo, en trminos muy coloquiales podra llegar a establecerse que el fenotipo es visible, por ejemplo, un individuo es alto, fuerte, tiene ojos verdes, o en este caso, tiene aquellas caractersticas (numricas) de una solucin que definen si satisface o no la funcin de aptitud, El genotipo es la informacin gentica fundamental del individuo en s misma, en la biologa sera la Tiamina, Adenina, Guanina u otros cidos nuclicos presentes en una cadena de ADN o en este caso es cada uno de los unos y ceros (para una representacin binaria) de la CdC que codifican la informacin del individuo. . 1.2.5. Reproduccin: Es bsicamente crear una nueva generacin de algoritmos a partir de operadores genticos (Cruce o Mutacin). Los algoritmos de la poblacin interactan entre ellos intercambiando su informacin o mutando para crear una nueva generacin de algoritmos. 1.2.6. Terminacin: Es el punto en el cual el nmero de iteraciones para crear nuevas generaciones de algoritmos termina, esto puede ocurrir porque se encontr una solucin satisfactoria, se lleg a un nmero de iteraciones mximas, la relacin costo/tiempo (fundamental en soluciones heursticas)

~ 12 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

lleg a un punto de prdida o porque se alcanz una meseta, es decir por un nmero n de nuevas generaciones la mejor solucin al problema no presenta un avance significativo Despus de esta somera descripcin del mtodo de los Algoritmos Genticos existirn dudas respecto de cmo un algoritmo gentico puede guiar haca la optimizacin de un problema dado; con la intencin de despejar dudas se definirn los siguientes conceptos. 1.3. Conceptos centrales Se tiene un espacio de bsqueda discreto X y una funcin. Entonces: : (1.2)

Existe una Funcin Objetivo f tal que el conjunto llamado El espacio de bsqueda discreto est contenido dentro del rango de posibles soluciones de la funcin objetivo, es absolutamente necesario por obvias razones plantear el espacio de bsqueda en regiones matemticas donde la funcin objetivo pueda tener una solucin. Y el problema puede resumirse bsicamente en resolver: min (1.3)

Siendo j un vector de variables de decisin, es decir, j es cada uno de los vectores tomados del genotipo del algoritmo que van a ser evaluados en la funcin f con el fin de obtener un resultado para a continuacin continuar con la siguiente secuencia lgica. La secuencia de actividades, representada en un diagrama de flujo se encuentra en la Figura 1.7. 1.3.1. Etapas de la tcnica de Algoritmos genticos 1.3.1.1. Iniciacin

Uno de los principales problemas es la seleccin del tamao de la poblacin, la cul ha sido tratada desde varios puntos de vista tericos, esta puede llegar a ser un problema bastante complejo y no ser tratado aqu; (Reeves, 1993) seala, apegado al sentido comn, que el tamao debe ser un punto de equilibrio entre efectividad y eficiencia. A primera vista el ingeniero o el estadstico que trabaja seleccionando poblaciones iniciales puede pensar que existe un valor ptimo entre el escenario en el cual muy pocos individuos forman el grupo inicial y por consiguiente la bsqueda no tiene material suficiente para llevar a un resultado til y el escenario en que la muestra es muy grande y el tiempo de iteracin no es realista de asumir, (Goldberg,1985) (Goldberg,1989) asever

~ 13 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

que el tamao de la poblacin era una funcin exponencial de el tamao de la CdC lo cual (Greffensette,1986) desminti con evidencia experimental.

Figura 1.7. Diagrama de flujo del algoritmo

Paralelamente surge otra pregunta bsica, existe una poblacin mnima en la cual se pueda realizar una bsqueda significativa que arroje resultados confiables? (Reeves, 1993) plantea un buen criterio para la seleccin del tamao de la poblacin: Cada lugar algebraico del espacio de bsqueda debe ser alcanzable desde la poblacin inicial utilizando el operador cruce nicamente, y demostr que probabilsticamente es bastante buena la opcin de encontrar la respuesta bajo este criterio. Existe un consenso en un importante sector de la comunidad acadmica acerca de que la poblacin inicial debe ser completamente aleatoria, sin embargo esto crea un potencial problema y es que seguramente la muestra no ser uniforme y puede no representar de la mejor manera el espacio de la muestra, es entonces necesario utilizar mtodos estadsticos avanzados los cuales buscan garantizar que los individuos van a ser

~ 14 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

plantados uniformemente pero conservando el carcter de aleatoriedad necesario para la muestra. 1.3.1.2. Seleccin

Los individuos ms aptos (es decir los que ms satisfacen la Funcin Objetivo) son los que deben ser seleccionados para su posterior reproduccin. A partir de esta bsica declaracin se establece el estndar para discriminar los individuos que son ms afines a los comportamientos que se buscan en la Funcin de Aptitud, de los que no lo son. Se aplica un mtodo de distribucin de probabilidad en el cul la posibilidad de ser seleccionado es directamente proporcional a la aptitud del algoritmo que est siendo evaluado. Es entonces que mediante una secuencia pseudo-aleatoria es elegida una muestra de individuos para ser padres de una nueva generacin y transmitir algunos de sus genes basndose en su aptitud, es posible incluso construir un escalafn de individuos discriminando cuales tienen mayor probabilidad de ser elegidos e identificando cuales de sus genes son los que los hacen ms propensos a ser aptos para finalmente lograr que estos se transmitan por alguno de los operadores genticos presentados en el numeral 1.3.1.3 1.3.1.3. Reproduccin Cruce

1.3.1.3.1.

El cruce es, en su sentido ms bsico la fusin de informacin gentica de los padres en un individuo de una nueva generacin. Simplemente supngase la existencia de dos CdC, siendo cada una, una solucin a un problema. A modo ilustrativo se llamarn macho (m) y hembra (h) m1, m2, m3 ,m4 ,m5 h1, h2, h3, h4, h5
Figura 1.8. Dos Cdc. con cinco genes cada una

En cada CdC de la Figura 1.8 pueden apreciarse cinco genes, los cuales conforman el Genotipo del individuo, su informacin constitutiva fundamental; tal informacin se ve representada en su ambiente por su Fenotipo, en este caso, el fenotipo son las caractersticas que tiene la respuesta que brinda este individuo al problema. Si se aplica un cruce de doble punto (dos genes a intercambiar) parte de la descendencia tendr el esquema de la Figura 1.9. La operacin de cruce (crossover en ingls) puede realizarse en ms de un punto, de hecho (Eshelman, 1989) presenta evidencia que soporta la idea de que el cruce debe provocarse en ocho puntos, es necesario sealar que el ejemplo aqu representado es meramente ilustrativo y que una Cdc es mucho ms extensa en aplicaciones ingenieriles reales que los cinco genes del ejemplo aqu expuesto.

~ 15 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

m1, m2, m3 ,m4 ,m5 (padre uno)

h1, h2, h3, h4, h5 (padre dos)

m1, h2, m3, h4, m5 (hijo uno)

h1,m2,h3,m4,h5 (hijo dos)

Figura 1.9. Esquema del cruce simple, dos padres y dos hijos

El Cruce tambin puede realizarse de una manera completamente aleatoria, sin embargo es de vital importancia que se tenga en cuenta qu tan similares son los padres; en la naturaleza, la reproduccin sexual endogmica ( aquellas con padres con algn grado de consanguineidad) provoca descendencia con problemas en ciertas reas, entre ellas, el sistema inmunolgico, esto debido a que el hijo no tiene un espectro inmune diverso, tal espectro contiene la informacin bioqumica que le permitir defenderse de agentes patgenos, es decir, hijos de dos padres con caractersticas inmunes completamente diferentes tendrn mayor variedad inmune; paralelamente, el cruce entre dos CdC muy similares puede traer resultados no satisfactorios dependiendo de las caractersticas que se busquen en la descendencia. Es posible para ciertos casos utilizar cruces no lineales, por ejemplo: Un cruce en el que el gen uno del progenitor uno aparece en los genes uno, dos y tres del hijo uno y en los genes cuatro, cinco y seis del hijo dos, sin embargo hay que tener muy presente que esto puede resultar en individuos que encarnan soluciones inverosmiles (que son matemticamente correctas, pero en el problema no tienen sentido). Esto ocurre porque a veces no es suficiente discriminar un gen por su posicin en la cadena de caracteres, es decir, si se busca solucionar un problema que optimice el orden de estaciones de produccin en una empresa podra llegar a encontrarse que la respuesta sugiere que se pase por una estacin dos veces. 1.3.1.3.2. Mutacin

La Mutacin se basa en el principio de alterar al individuo en una porcin de su genotipo. Podra llegar a pensarse que lo ms prctico es empezar a variar aleatoriamente cada gen en la CdC y compararlo sucesivamente con la Funcin de Aptitud, sin embargo esto es demasiado costoso computacionalmente hablando, una mejor solucin es restringir el rea de mutacin a un rango ms pequeo mediante mtodos probabilsticos. En algunos casos, al analizar los alelos, (los cuales son cada una de las probabilidades que puede producir el cambio de un gen en el Genotipo del algoritmo) se observa que es completamente necesario definir qu alelos tienen una mayor oportunidad de llevar al individuo a ser ms apto.

~ 16 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Figura 1.10. Ejemplo de mutacin de un individuo en el Segundo cromosoma

1.3.1.3.3.

Mutacin o Cruce??

Debe tenerse en cuenta que l: Qu tan recomendable sea un mtodo u otro? depende de cada problema que se est abordando, as como de caractersticas como: La variedad de los individuos de la primera generacin. La disponibilidad de recurso computacional. El tiempo lmite.

Por ejemplo: Si los dos padres son muy parecidos y se cruzan es posible que la descendencia sea menos diversa que si se utilizase un proceso de Mutacin con solo uno de los padres, sin embargo en la mayora de los casos esto no va a ser as. Por otra parte, es posible utilizar incluso una estrategia de Cruce y Mutacin en el mismo proceso, por ejemplo, generalmente se utiliza el cruce para obtener una estirpe diversa y sobre tales individuos ya seleccionados como aptos se aplica un proceso de Mutacin, esto en trminos globales se entiende como: Una bsqueda global en la cual los cambios son ms fuertes y permite hallar una regin matemtica en la cual se determina que la respuesta ptima global tiene alta probabilidad de estar. Una bsqueda local que acta sobre la regin previamente definida haciendo que los individuos cambien de manera ms lenta. 1.3.1.4. Terminacin

En teora un algoritmo gentico puede iterar para siempre buscando una respuesta que satisfaga los criterios impuestos por la Funcin de Aptitud, sin embargo esto es obviamente inviable en el mundo real, es por esto que existen varios criterios para detener la creacin de nuevas generaciones de individuos. Detener en un tiempo preestablecido. Detener al llegar a una poblacin mxima preestablecida. Detener cuando la diversidad de los individuos empieza a estancarse, esto es, cuando la mejor solucin parece no evolucionar (dado que la informacin en la Cdc no es infinita, la diversidad de respuestas llega a un tope).

~ 17 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Detenerse cuando se encuentra una respuesta satisfactoria a la Funcin de Aptitud ( el criterio de cundo la respuesta es satisfactoria es establecida por el autor, normalmente se plantea un margen de error aceptable)

1.4. Optimizacin Multi-Objetivo Tal y como ya se ha reseado en este documento, una importante fraccin de los problemas de optimizacin en ingeniera no se restringen a una sola variable sino que las situaciones a analizar plantean varios aspectos a ser mejorados Segn (Deb, 1999) y (Coello, 1999) la optimizacin Multi-objetivo puede ser definida como el problema de encontrar un vector de variables de decisin que satisfacen restricciones y optimizan un vector de funciones cuyos elementos representan las funciones objetivo. De tal manera, se desea encontrar un vector de decisin ,x ,, Con , que debe cumplir restricciones de desigualdad 0 Y optimizar el vector de funciones 1 , 2 ,, (1.6) 1,2 , . . . , (1.5) (1.4)

Que de manera general ubica su rango en . El conjunto de todas las soluciones que se someten a (1.5) se conocen como el dominio de las soluciones factibles. Ahora bien, es necesario recurrir a cuatro definiciones especficas: 1.4.1. Dominancia de Pareto: Sean dos soluciones u, v . Se dice que u domina a v (en nomenclatura se expresa como u v) si es mejor o igual que v en cada uno de los objetivos y estrictamente mejor en al menos un objetivo. Es decir, minimizando se plantea que: u v en un caso como: 1,2, , 1,2, , | (1.7)

1.4.2. Soluciones no comparables: Dados u, v , si u v ni v u, se dice que las soluciones son no comparables, expresado as como: u ~ v.

~ 18 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

1.4.3. Conjunto Pareto: El conjunto de todas las soluciones del vector x no dominadas en el dominio de las soluciones factibles se denomina Conjunto Pareto, lo que se denota como CP. Todas las soluciones que pertenecen a CP se notan 1.4.4. Frente de Pareto: La imagen del Conjunto Pareto a travs de la funcin se denomina Frente Pareto y se denomina mediante una Y. 1.5. NSGA II y SPEA II Un problema de Optimizacin multiobjetivo es bsicamente uno que incluye un grupo de n variables de decisin, un conjunto de k funciones objetivo, un conjunto de m restricciones de desigualdad y p restricciones de igualdad, en donde las funciones objetivo y las restricciones son funciones de las n variables de decisin (Donozo,2005). El NSGA II propuesto por (Deb et al, 2002) es la abreviatura de Algoritmo Gentico de ordenamiento por no-dominancia el cual fue creado con el fin de aliviar principalmente tres problemas que presentan ciertos Algoritmos Genticos Multiobjetivo (AGMO) conocidos como NSGA, predecesor de NSGA II : 1. Complejidad computacional, establecida como (Deb, 2002), donde M es el nmero de objetivos y N es el tamao de la poblacin. 2. Aproximacin no elitista, es decir la no aplicacin de criterios de segregacin para mejorar la seleccin de algoritmos para el posterior Cruce o Mutacin. 3. La necesidad de crear un Parmetro de Comparticin, es decir la obligacin de influir sobre l proceso teniendo que transmitir informacin gentica clasificada como til, aquella que hace que el individuo se acerque a la solucin (tambin conocida como Pareto-Optimal), desde un individuo que la posea a uno individuo que no, gastando recursos en el proceso. Su nombre radica en que es la segunda versin de NSGA ,al que se le han realizado mejoras, bsicamente el NSGA realiza una clasificacin de los individuos de la poblacin en frentes o grupos, los que estn en el primer grupo son los que no estn dominados por ningunos otros, los segundos solo estn dominados por los primeros y as sucesivamente, a cada individuo se le asigna un rango de acuerdo a su nivel de dominancia siendo los mejores (aquellos que ms se acercan a la solucin esperada o Pareto-Optimal) aquellos con rangos menores; Tambin se incorpora el clculo de una distancia de Crowding o Sobrepoblamiento, la cual existe para garantizar la diversidad en la poblacin y para evitar el uso de parmetros de comparticin, luego se elige al individuo de menor rango como la solucin. En su artculo (Deb et al, 2002) demuestran en sus resultados que el NSGA II es, en trminos generales, apto para encontrar mejores soluciones que otro algoritmo multiobjetivo llamado SPEA II (Strength-Pareto Evolutionary algorithm) o Algoritmo Evolucionario de Fuerza de Pareto. En la Figura 1.11 se encuentra el pseudocdigo de NSGA II

~ 19 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Para interpretar el pseudocdigo es necesario definir que es el criterio de comparacin, G(N E) es la llamada topologa de la red, (s) es el nodo ingreso y (T) es el conjunto de nodos egreso. NSGA II, no obstante su corta existencia, es sumamente til para resolver situaciones problema que pueden llegar a ser clasificadas como tradicionales, por ejemplo, una aplicacin para la optimizacin de un tren planetario de engranajes (Tripathi et al,2010).

Figura 1.11. Pseudocdigo de AGMO NSGA II. Tomado de (Donozo Y., 2005).

Por otra parte el AGMO conocido como SPEA II se caracteriza por que la Funcin de Aptitud se actualiza fijndose atentamente en cada individuo, el nmero de individuos que este domina y el nmero de individuos por el que es dominado, el tamao de la poblacin global es fijo. Posteriormente el nmero de individuos se opera segn criterios propios del mtodo, teniendo en cuenta el tamao de la poblacin y finalmente se garantiza la diversidad mediante una operacin de truncamiento para finalizar analizando la aptitud y seleccionando la mejor respuesta de manera similar al mtodo NSGA II. Posteriores mtodos relacionados como el SPGA II (Chang et al, 2008) han mostrado mejores resultados que NSGA II y SPEA II.

~ 20 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Dado que SPEA II suele converger ms rpido que otros AGMO se concluye que, es necesario tener en cuenta las caractersticas del problema a solucionar e incluso factores cmo la capacidad computacional y el tiempo disponible al momento de seleccionar la tcnica mediante la cual se atacar el problema.

Figura 1.12.Pseudocdigo AGMO SPEA II. Tomado de Tomado de (Donozo Y., 2005).

1.6. Resea bibliogrfica de aplicaciones Existen numerosos ejemplos de aplicacin satisfactoria de la tcnica de los Algoritmos Genticos a solucin de problemas de optimizacin en ingeniera. Este documento pretende hacer una resea general de ellos enfocndose en aplicaciones referentes al oficio de la ingeniera mecnica, para lo cual se busca realizar una bsqueda estructurada de recursos acadmicos (artculos, reseas, libros) a travs de bases de datos acadmicas que pueden contener este tipo de informacin. Diseo mecnico diverso Refirindose a Algoritmos Multiobjetivo (Deb & Tiwary, 2004) abordan el problema de diseo de una pierna con tres objetivos principales y diecisiete restricciones, los objetivos a optimizar son: El tamao (longitud de cada una de las partes de la pierna), la fuerza vertical (que acta sobre las articulaciones en funcin de la aceleracin lo cual lo convierte en un problema cintico) y el torque mximo en los elementos. La pierna puede ser tomada en s misma como un mecanismo biela-manivela de nueve barras. Los autores plantean que la solucin fue posible gracias a que se abord el problema dividindolo en subtemas, una vez se solucionaba una etapa, se incluan paso a paso nuevas restricciones y objetivos. Finalmente la aplicacin del NSGA-II permiti encontrar

~ 21 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

solucin satisfactoria al problema; como ya se mencion, NSGA II utiliza un escalafn de soluciones dominadas en una poblacin para asegurar el progreso hacia el ParetoOptimal (o solucin ptima) y tambin un operador que permita un nmero considerable de individuos, buscando as una buena diversidad de soluciones. El mismo autor en (Deb, 2003), trabaja en situaciones de diseo para problemas Multiobjetivo conflictivos, exhibe tambin evidencia computacional experimental que sustenta sus ideas a travs de ejemplos de optimizacin muy cercanos al oficio de la Ingeniera Mecnica; los problemas Multiobjetivo analizados convergen cada uno en soluciones especficas para cada objetivo y luego al interactuar entre ellas se ven obligadas a ceder terreno para obtener una solucin nica. El documento presenta ejemplos de optimizacin para vigas en voladizo, placas de unin sometidas a diversas cargas, diseo de cajas de cambios, incluyendo engranes, considerando ejes y relaciones de Velocidad; sin embargo, quizs el mayor aporte de este documento es el anlisis que el autor hace a las soluciones para los problemas Multiobjetivo En (Sarkar et al, 2004) Los autores aprovechan el hecho de que los Algoritmos Genticos se basan en evolucionar un conjunto de soluciones a travs del espacio matemtico de las posibles soluciones para utilizar la tcnica NSGA y NSGA-II y explicar el proceso de diseo de un Biorreactor. Otra aplicacin relacionada al rea de la biomecnica (Meshabadi et al, 2007) demuestra que los Algoritmos Genticos pueden ser completamente interdisciplinarios aun dentro de las labores propias del diseo de ingeniera, combinndose con el anlisis de elementos finitos para crear la geometra de una prtesis para fmur y posteriormente analizndola con diversos materiales tanto para el hueso como para la articulacin. Un diseo mecnico con un fuerte componente cinemtico realiz (Hosseini et al, 2011), en l expone la optimizacin de los parmetros geomtricos del plano de trabajo cartesiano de un robot de seis patas considerando un mnimo de rotacin sobre tres ejes. Esta investigacin es desarrollada en buena parte desde la herramienta de trabajo para Algoritmos Genticos de Matlab. De manera similar al procedimiento de trabajo encontrado en Meshabadi et al, en el cul el anlisis por Algoritmos Genticos se vea complementado por el trabajo con Elementos Finitos; en (Taherifar et al,2011) se aprecia nuevamente la interaccin entre estos dos campos, se plantea un problema multiobjetivo en el cul las variables objetivo son el peso y el desplazamiento de las cuchillas de un rotor, pero una restriccin indica que su geometra se debe mantener inalterada para que la aerodinmica y la acstica no se conviertan en variables de diseo, tan solo existe la libertad para cambiar el recubrimiento de las cuchillas (muy importante para la magnitud de la friccin del fluido respecto del labe) .El problema tambin exige que la frecuencia oscilatoria de la cuchilla optimizada est en un rango de trabajo aceptable; finalmente los autores llegan a la conclusin de que la buena definicin de la Funcin de Aptitud permiti lograr una finalizacin satisfactoria del ejercicio de optimizacin. Nuevamente en conjunto con el anlisis por Elementos Finitos, en (Coello et al, 1997), el problema a resolver fue la optimizacin de una viga reforzada; resuelto mediante

~ 22 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Algoritmos Genticos y paralelamente analizado mediante Programacin Geomtrica, un mtodo de optimizacin caracterizado porque tanto su Funcin Objetivo como sus restricciones tienen formas matemticas especiales. Este texto resalta porque presenta una metodologa propia de cmo abordar la Reproduccin en el mtodo de AG. Ms de una dcada ms tarde respecto del anterior documento y en pleno auge de la produccin cientfica en China se registra el documento de (Wang, 2005) en el cual se da especial importancia a las restricciones, considerndolas en si como un nuevo objetivo del problema. Esta aplicacin enfocada en diseo mecnico utiliza un mtodo para ubicar en un escalafn de aptitud a cada uno de los individuos de cada generacin. Proveniente tambin del auge en investigacin del gigante asitico, el artculo de (Lee et al, 2004) se enfoca en diseo de estructuras. Dicho documento es peculiar por el hecho de incluir el trmino Encarnacin (Embodiment) ,el cual es el trabajo con genotipos para representar fenotipos y no viceversa como es natural en cualquier representacin gentica, es decir a partir de un fenotipo dado se pueden aproximar las caractersticas genotpicas, lo cual puede llegar a ahorrar recursos computacionales. Gran cantidad de los recursos encontrados exponen la interaccin del mtodo de optimizacin por AG con otros campos disciplinares al ncleo de la ingeniera, para este caso en especial, las Redes Neuronales Artificiales, las cuales son modelos matemticos basados en la estructura neuronal que se encuentra en el cerebro de un organismo vivo. Las Redes Neuronales son poderosos instrumentos de procesamiento de informacin siempre y cuando sus parmetros de diseo sean bien elegidos y como en un problema normal de ingeniera las variables pueden ser muy numerosas, entonces restringir de una manera adecuada el problema e identificar las ms crticas es fundamental; (Saxena et al,2006) muestran que los AG pueden ser utilizados para seleccionar pequeos subconjuntos, agrupados as por sus caractersticas, que forman lo que los creadores del texto denominan Una Familia Genticamente Acorde, til para identificar fallas en las redes y clasificar tareas en sistemas mecnicos en rotacin. El diseo en ingeniera tiende a buscar dos componentes principales, eficiencia y seguridad, sobre todo si del diseo depende de la vida de seres humanos; es comn experimentar un recorrido en automvil en el que el conductor haya virado bruscamente y el auto, atendiendo principios fsicos que no van a ser analizados aqu, se haya volcado o haya tendido a hacerlo. (Yim et al, 2011) presentan el diseo de un elemento mecnico que puede ser modelado como un diferencial y que no permite el volcamiento de los vehculos, incluso bajos las condiciones de giro ms extremas; sin embargo, para funcionar, este dispositivo (cuyo autor nombra simplemente como Pastilla) debe hallar una solucin de equilibrio para el sistema en general y para ello el autor desarrolla un AG Coevolucionario, lo cual significa que en realidad se trabaja con dos poblaciones de individuos evolucionando al mismo tiempo e interactuando entre ellos; una buena analoga sera comparar un AG Coevolucionario con un tablero de ajedrez y asumir que se est jugando al mismo tiempo con las negras y con las blancas. Finalmente para comprobar la efectividad del mtodo se analizan las condiciones dinmicas de la simulacin en un paquete informtico para anlisis de vehculos conocido como CARSIM.

~ 23 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

De la misma manera, referente a aplicaciones automotrices, (Gaucha et al, 2009) presentan un estudio en el cual se realiza la optimizacin del peso del chasis de un bus y se analiza la rigidez en torsin del mismo. Un anlisis mediante la herramienta de Matlab para el uso de Algoritmos Genticos y una posterior verificacin por Elementos Finitos mediante Ansys junto con un estilo muy didctico, hacen de ese artculo, una manera muy didctica e interesante de introducir al estudiante a aplicaciones de AG. Una perspectiva diferente acerca del trabajo con los Algoritmos Genticos puede ser analizada en (Wang et al., 2010), en este caso una aplicacin en el campo del mantenimiento. Los autores del texto plantean un ejemplo en el cual, mediante el anlisis de las vibraciones de un motor hidrulico, interpretndolas como una seal y posteriormente analizndolas con AG se llega a una estimacin de la vida til y de cunto tiempo resta antes de realizar el mantenimiento preventivo. Resea de dispositivos mecnicos de elementos de mquinas Es pertinente en este punto resear un trabajo relacionado a engranajes cnicos (Huang et al, 2005) en el cual se plantea el diseo de optimizacin de un reductor de engranajes cnicos-cilndricos utilizando Programacin Fsica Difusa en conjunto con AG. La Programacin Fsica Difusa es una forma de programacin basada en dos valores aleatorios que correlacionados entre s pueden brindar soluciones bastante acertadas a problemas de diseo en Ingeniera. Similarmente, en la definicin geomtrica de una transmisin por engranajes es de suprema importancia la consideracin del contacto entre los elementos puesto que malos ajustes conllevan a malos funcionamientos y fallas del tren de transmisin. (Bruyre et al, 2007) exponen su investigacin, en la cual optimizan las tolerancias de transmisiones por engranajes mediante anlisis estadsticos; este mtodo puede ser especialmente interesante debido a que la funcin objetivo no puede ser expresada de una manera analtica y el autor opta por resolverla mediante la Simulacin Monte Carlo (Anderson,1986). En otra publicacin, esta vez referente a engranajes rectos, es presentada por (Zhang et al, 2010), en este documento se logran muy buenos resultados en la optimizacin utilizando programacin en Visual Basic y la herramienta gentica de Matlab. (Zhao et al, 2010) en su artculo de optimizacin de caractersticas dinmicas de engranajes cnicos utilizan varios modelos como el de masa concentrada y mtodos numricos de solucin como el Runge-Kutta. Una investigacin relacionada a la optimizacin de un sistema mecnico, en el cual una sola restriccin, la velocidad crtica, es el factor limitante, fue elaborada por (Shiau et al, 2008), all se busca optimizar, el peso del eje, la respuesta no balanceada y la respuesta debida al error de transmisin; las variables son: El radio interno del eje, la rigidez del engranaje y la rigidez del cojinete. Para concluir, los autores exponen sus resultados concluyendo que son bastante buenos, obteniendo reducciones de material en el eje y mejoras en la transmisin.

~ 24 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

En (Mendi et al ,2010) se obtiene la optimizacin del mdulo del engranaje, el dimetro del eje y el cojinete a utilizar para una transmisin por engranajes rectos y es entonces una excelente herramienta para el especialista que requiere un trabajo rpido. Esta labor presenta un enorme valor divulgativo y el autor de este texto lo considera sumamente til para la enseanza de elementos de mquinas y AG. Nuevamente en un artculo sobre optimizacin de engranajes, en este caso cnicos, se encuentra a autor ya conocido en este documento (Zhang et al, 2011) con algunas modificaciones en su equipo de trabajo. En esta publicacin se expone un trabajo basado en el desarrollo de software que utiliza AG basados en codificacin de seriales de enteros. El trmino Fuzzy Logic, traducido como Lgica Difusa y ya mencionado previamente, aparece nuevamente en un artculo de (Wang et al, 2009) acerca de la optimizacin de un sistema de transmisin de potencia por engranajes rectos utilizando Redes Neuronales y Algoritmos Genticos. El objetivo es optimizar la distancia entre centros de los engranes de un reductor de velocidad en un sistema de izar grandes masas; las variables de diseo estn referidas en s a la geometra del engranaje, especialmente de los dientes y la Funcin Objetivo es la suma de volmenes de los engranajes. Otros documentos a resaltar son (Bonori et al, 2008), (Zhou et al, 2009) & (Yuan et al, 2010) en ellos se propone la optimizacin de transmisiones y sus engranajes, sin embargo se presentan algunas caractersticas diferentes, por ejemplo, la inclusin de deflexiones como parmetro de restriccin, paralelamente se considera la influencia de la variacin en la composicin del material, las vibraciones y el amortiguamiento que requerir la transmisin. Recientemente, el artculo de (Dawei, 2011) hace referencia a engranajes de perfil de caracol, los cuales no tienen un perfil circunferencial como los que normalmente se emplean, son creados mediante manipulacin de curvas que se enrollan sobre s mismas y obedecen a la regla del coseno, a lo largo del documento se desarrollan las expresiones para optimizar la distancia entre centros y otras cualidades de esta transmisin no excntrica para abordar el problema mediante Algoritmos Genticos. Una investigacin acerca del proceso de optimizacin en un mecanismo por transmisin de engranajes, el cual elimina el efecto del Contragolpe en sistemas de precisin, es presentado aqu (Liu et al, 2010); en el funcionamiento de una transmisin se presentan efectos indeseables asociados a la interaccin entre engranajes que afectan el buen funcionamiento y hacen actuar localmente al engranaje con las caractersticas de un resorte, lo cual es altamente indeseable. Los resultados del artculo muestran resultados satisfactorios despus de la aplicacin de la tcnica. En (Mundo et al, 2008) se halla un artculo de enorme valor divulgativo en el cual se optimizan mecanismos de cinco barras con engranajes no circulares y que pueden desarrollar cualquier tipo de trayectoria deseada. Finalmente se cita a (Noorul Haq et al, 2005) quienes desarrollan un mtodo de optimizacin de tolerancias en elementos de mquina mediante AG. ________________________________________________________________________

~ 25 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Anderson, H.L. (1986). Metropolis, Monte Carlo and the MANIAC, en Los Alamos Science, Vol. 14, pp. 96108. Bonori, G. & Barbieri, M. & Pellicano, F. (2008). Optimum profile modifications of spur gears by means of genetic algorithms, en Journal of Sound and Vibration. Vol.313, N5, pp. 603-616. Bruyre, J. & Dantan, J.Y. & Wu, F. & Bigot, R. (2007). Optimization of Gear Tolerances by Statistical Analysis and Genetic Algorithm, en Advances in Integrated Design and Manufacturing in Mechanical Engineering II. Vol. 8, pp. 401-415. Chang, P.-C. & Chen, S.-H. (2008). The development of a sub-population genetic algorithm II (SPGA II) for multi-objective combinatorial problems, en Applied Soft Computing, Vol. 9, N1. Coello Coello, C. A. & Christiansen, A.D. & Santos Hernfindez, F. (1997). A Simple Genetic Algorithm for the Design of Reinforced Concrete Beams, en Engineering with Computers. Vol. 13, N 4, pp.185-196. Coello, C. (1999).An updated Survey of Evolutionary Multiobjective Optimization Techniques, state of the art and future trends, en Proceedings of the Evolutionary computation 1999 Congress. Darwin C. (1859). El origen de las especies por medio de la seleccin natural, o la preservacin de las razas preferidas en la lucha por la vida. Dawei L. & Tingzhi, R. (2011). Study on deformed Limacon gear and motion optimization of its serial mechanism, en Journal of Mechanical Design, Vol. 133, N 6. Deb, K. & Pratap, A. & Agarwal, S. (2002). A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II. en IEEE Transactions on Evolutionary Computation, Vol. 6 N 2 , pp.182197. Deb, K. (1999). Evolutionary Algorithms for Multi-Criterion Optimization, en Engineering Design, Kanpur Genetic Algorithms Laboratory. Deb, K. (2003). Unveiling innovative design principles by means of multiple conflicting objectives, en Engineering Optimization, Vol. 35, N 5, pp. 445-470. Deb, K. & Tiwary, S. (2004). Multi-objective optimization of a leg mechanism using genetic algorithms, en Engineering Optimization, Vol. 37, N 4, pp. 325-350. Donozo, Y. & Alvarado, C. & Ardila, C. & Herazo, I. (2005). Aplicacin de NSGA II Y SPEA II para la optimizacin multiobjetivo de redes Multicast, en Ingeniera & Desarrollo. Universidad del Norte. N 17 pp. 28-53. de Jong, K.A. (1975). An analysis of the behavior of a Class of genetic Adaptive Systems. Doctoral Dissertation. University of Michigan

~ 26 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Eshelman, L.J. & Caruana R.A. & Schaffer J.D. (1989).Biases in the crossover landscape, en Proceedings of 3rd International conference on Genetic Algorithms, pp. 10-49. Gauchia, A. & Diaz, V. & Boada, M. J. & Boada, B. L. (2009).Torsional stiffness and weight optimization of a real bus structure, en International Journal of Automotive Technology, Vol. 11, N 1, pp. 41-47. Glover, F. (Editor) & Kochenberger, G. A. (Editor) (2003). Handbook of Metaheuristics. Kluwer academic Publishers. pp. 55-82. Goldberg, D.E. (1985).Optimal initial population size for binary-coded genetic algorithms, en TCGA Report 8500. Goldberg, D.E. (1989). Sizing populations for serial and parallel genetic algorithms, en Proceedings of 3rd International conference on Genetic Algorithms. pp. 70-79 Greffensette, J.J. (1986).Optimization of control parameters for genetic algorithms, en IEEE-SMC, Vol. 16, pp. 122-128. Holland, J. (1975). Adaptation in natural and artificial systems. University of Michigan Press. Hosseini, M. A. & Mohammadi-Daniali, H. R. (2011). Machine Tool Design Optimization of High Resolution Parallel Hexapod in Cartesian Workspace, en International Journal of Advanced Design and Manufacturing Technology, Vol. 4 N 3, pp. 75-84. Huang, H.-Z. & Zhang, X. & Tian, Z.G. & Liu, C.S. & Gu, Y. K. (2005). Optimal Design of Conic-Cylindrical Gear Reduction Unit Using Fuzzy Physical Programming, en International Federation for Information Processing IFIP, Vol. 163, pp. 191-200. Lee, I.-H. & Cha, J.-H. & Kim, J.-J. & Park, M.-W. (2004). Synthesis of Mechanical Structures Using a Genetic Algorithm, en Computational Science and Its Applications ICCSA - Lecture Notes in Computer Science, Vol. 3044, pp. 573582. Lin, S. (1965). Computer solutions of the traveling salesman problem, en Bell systems tech Journal, Vol.44, pp. 2245-2269. Liu, Q. & Xiang, Z.& Wang, J.& Wu, Jiang. (2010).The optimum design for the new-typed auto-eliminate backlash mechanism in gear transmission, en Applied Mechanics and Materials, Vol. 34 35, pp. 57-64. Meshabadi R. & Mohamadi S.H. & Kazemi A. (2007). The Finite Element Method and Genetic Algorithm Approaches on Shape Optimization of Prosthesis According to Fatigue Behavior, en International Journal of Advanced Design and Manufacturing Technology, Vol. 3, N 3 pp. 27-34.

~ 27 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Mendi, F. & Baskal, T. & Boran, K. & Boran, F.E. (2010). Optimization of module, shaft diameter and rolling bearing for spur gear through genetic algorithm, en Journal Expert Systems with Applications: An International Journal archive, Vol. 37 N 12. Mundo D. & Gatti,G. & Dooner, D.B. (2008). Optimized five-bar linkages with non-circular gears for exact path generation, en Mechanism and Machine Theory, Vol. 44, N 4, pp. 751-760. Noorul Haq, A. & Sivakumar, K. & Saravanan, R. & Muthiah, V. (2005).Tolerance design optimization of machine elements using genetic algorithm, en the International Journal of Advanced Manufacturing Technology, Vol. 25, N 3-4, 385-391. Rechenberg, I. (1973). Evolutionsstrategie: Optimierung technischer Systeme nach Prinzipen der biologischen Evolution. Frommmann- Holzboog Verlag. Reeves, C.R. (1993). Using genetic algorithms with small populations, en Proceedings of 5th International Conference on Genetic Algorithms, pp. 92-99 Sarkar, D. & Modak, J. M. (2004). Pareto-optimal solutions for multi-objective optimization of fed-batch bioreactors using non-dominated sorting genetic algorithm, en Chemical Engineering Science. Vol. 60, N 2, pp. 481-492. Saxena, A. & Saad, A. (2006). Genetic Algorithms for Artificial Neural Net-based Condition Monitoring System Design for Rotating Mechanical Systems, en Applied Soft Computing Technologies: The Challenge of Complexity Advances in Soft Computing. Vol. 34. pp. 135-149. Schwefel, H-P.Numerische. (1977). Optimierung von Computer-modellen mittels der Evolution-Strategie, Birkhuser Verlag. Shiau, T.N. & Kang, C.H. & Liu, D.S. & Lee E.K & Hsu W.C. (2008). Optimization design of the geared rotor system with critical speed constraints using the enhanced genetic algorithm, en ASME Turbo Expo 2008: Power for Land, Sea, and Air (GT2008) Aper no. GT2008-50754, pp. 1131-1136. Taherifar, D. & Mohseni-Shakib, M. & Shahabi M.(2011).Optimization of Composite Rotor Blade using Merged Genetic Algorithm and Finite Element Method, en International Journal of Advanced Design and Manufacturing Technology. Vol.4, N 3. pp. 13-27 Tripathi, V.K., Chauhan, H.M. (2010). Multi Objective Optimization of Planetary Gear Train, en Proceedings of SEAL'2010. pp. 578-582. Wang, B. & Gui, Y. (2009). Fuzzy optimization of transmission system of gears by means of GA-neural network, en Second International Conference on Information and Computing Science. ICIC. Vol. 4, pp.138-140.

~ 28 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Wang, J & Zhang, J & Wei, X. (2005). Evolutionary Multi-objective Optimization Algorithm with Preference for Mechanical Design, en Advances in Machine Learning and Cybernetics Lecture Notes in Computer Science Vol. 3930/2006, 497-506. Wang, Q. & Chen, H. & Chua, P. & Hian, L.-G. (2011). Fault Detection of Water Hydraulic Motor by Demodulated Vibration Signal Analysis with the Hilbert Transform and Genetic Algorithm, en Journal of Testing and Evaluation (JTE), Vol. 39, N 2 8 pages Yim, S. (2011). Design of a rollover prevention controller with differential game theory and a coevolutionary genetic algorithm, en The Journal of Mechanical Science and Technology, Vol. 25, N. 6, pp.1565-1571. Yuan, Z. & Sun, Z.-L. & Wang, D.& Chen C.-H. (2010).GA-based optimum profile modification of spur gears for vibration damping, en journal of northeastern university (natural science),Vol. 31, N 6. Zhang, X. & Rong, Y. & Yu, J. & Zhang, L. & Cui, L. (2011). Development of optimization design software for bevel gear based on integer serial number encoding genetic algorithm. Journal of Software, Vol. 6, No 5, 915-922. Zhang, X.-Q. & Hu, Z.-Q. & Lun, C.-F. & Yu, J.-J .(2010). Optimization design of spur gear reducer based on genetic algorithm, en E-Product E-Service and E-Entertainment (ICEEE) 2010 International Conference, p.p.1-4. Zhao, N. & Kang, S.P. & Guo, H. & Xiong, J.B. & Cheng, C. (2010). Optimization design of spiral bevel gear's dynamic characteristics based on genetic algorithm, en Hangkong Dongli Xuebao/Journal of Aerospace Power, Vol.25, N 10, pp.23962402 Zhou, G. & Duan, G.& Wei, Q. (2009).Optimal design of gear reducer based on genetic algorithm, en Intelligent Networks and Intelligent Systems. ICINIS . Second International Conference. pp. 475-478.

ndice de recursos adicionales en la internet http://www.kalipedia.com/graficos /reproduccion-sexual-raton.htm (1) visitado el 28 de


Septiembre de 2011

http://www.biologia.edu.ar/reproduccion/asexual.htm (2) visitado el 15 de Septiembre de


2011

www.google.com/maps (3) visitado el 1 de Octubre de 2011

~ 29 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

2. Optimizacin por Colonia de Hormigas


(Ant Colony Optimization) 2.1. Introduccin La optimizacin por colonia de hormigas (OCH) o (ACO), por sus siglas en ingls, es una tcnica metaheurstica de optimizacin de problemas; propuesta inicialmente por Marco Dorigo (Dorigo, 1992) y (Dorigo, 1991), puede ser clasificada como pariente de la tcnica de los Algoritmos Genticos, descrita en el captulo anterior. El surgimiento de nuevas tcnicas en la metaheurstica obedece al trabajo de los investigadores en busca de nuevos mtodos que tengan un desempeo satisfactorio donde sus predecesores no lo han logrado. El primer ACO propuesto fue el Sistema de hormigas (SdH) o (AS), (por sus iniciales en ingls) el cual fue utilizado para interpretaciones pequeas del Problema del Vendedor Viajero, en las cuales prob cierta eficacia con casos de pocas ciudades, pero al aumentar el tamao del problema no se lograban resultados satisfactorios. (Glover et al, 2003). La tcnica de Optimizacin por Colonia de Hormigas se inspira en la manera en la cual estos insectos buscan su alimento, tambin, en el principio del individuo en funcin de un grupo mayor, dejando de lado la importancia de cada hormiga como individuo. Las hormigas tienen un particular sistema de obtencin del alimento; dentro del hormiguero, existen algunas hormigas encargadas de la crianza de las larvas, otras de explorar en bsqueda de alimento, una o dos reinas encargadas de la reproduccin y las restantes de la defensa de su hogar (1). Las hormigas exploradoras salen de la colonia para buscar alimento rastreando el terreno cercano de manera aleatoria, una vez identificado, sus esfuerzos se centran en ese recurso, (generalmente hojas o insectos en descomposicin) y lo trasladan al interior del hormiguero en el cual utilizan este material recolectado para plantar hongos de los cuales se alimentan. 2.2. El mecanismo La colonia de hormigas se comporta en s misma como un organismo inteligente, las hormigas han evolucionado exitosamente basadas en principios de: Nmero de individuos, sus sociedades son muy numerosas. Adaptabilidad: Se encuentran desde el desierto hasta el rtico.(1) Trabajo en equipo: Cada hormiga trabaja en funcin del bien comn del grupo.

En cada colonia, las hormigas exploradoras salen del nido a sondear el terreno de manera casi totalmente aleatoria, basndose en sus sentidos, con el fin de obtener una fuente de alimento.

~ 30 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Supngase una hormiga A ( na (Ruta azul Figura 2.1) que empieza a explorar en una zona cercana, mientras avanza en su tarea crea un camino de rastro qumico denominado tarea, Feromona, la cual es deposita depositada cuando avanza desde su asentamiento hasta la potencial fuente de alimento tal Feromona permanece en el suelo, demarcando su alimento, suelo camino y liberando una seal qumica que puede ser detectada por otras hormigas; con el a c paso del tiempo las Feromonas empiezan a evaporarse y el rastro se desvanece poco a eromonas poco. Una vez que la hormiga A encuentra alimento, regresa a casa siguiendo su propia traza de Feromona, cada vez que la hormi transita sobre ese camino, al ir y venir por comida, , hormiga , deposita mas Feromona fortaleciendo el rastro, de esta manera otras hormigas pueden tras localizar ese rastro qumico de y mediante l llegarn a la misma fuente de alimento hallada por A haciendo ms y ms fuerte la seal qumica de la ruta al aportar sus feromonas con cada trnsito sobre ella ella. Sin embargo, supngase que un sujeto B (Ruta roja Figura 2.1) parti al mismo tiempo gase ( que A desde el hormiguero y encontr otra ruta hacia la misma fuente de alimento, pero fuent la distancia de dicha opcin es mayor entonces tambin habr Feromona por el camino mayor, eromona de B, pero como la distancia a recorrer es mayor, el sujeto B o cualquier otra hormiga , que transite por esa ruta se demorar ms tiempo en volver a transitar sobre ella que lo volver que cualquier hormiga se demorara volviendo a transitar la ruta A (asumiendo la misma demora velocidad para todas las hormigas) y por lo tanto el rastro qumico ser menos denso en la ruta B , haciendo menos probable que otro miembro de la colonia recorra esa ruta, por el contrario, se marcar una tendencia a transitar sobre la ruta descubierta por A, A haciendo que eventualmente la ruta B quede sin rastro de Feromona y por consiguiente eromona sin individuos recorrindola. evolucin La Figura 2.1 tambin muestra la evolucin de la bsqueda a travs de tres diferentes etapas de tiempo, como puede verse, la ruta ms corta tiende con el tiempo a tener mayor tiempo densidad de Feromona por lo cual es ms concurrida a medida que transcurre el tiempo. eromona

Figura 2.1. Esquema de ACO. Tomado de (2)

~ 31 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

2.3. Optimizacin por Colonia de Hormigas, caractersticas. ACO se caracteriza por ser un proceso en el cual pueden identificarse estados, los cuales son definidos a lo largo de la ruta de una hormiga y no son ms que evaluaciones a la solucin que est siendo construida. La Figura 2.2 muestra una analoga visual al proceso, ACO busca la ruta ms corta entre una serie de caminos previamente establecidos, cada uno de esos caminos es una solucin encontrada previamente por otra hormiga y cada uno de los crculos es uno de los puntos en los cuales la hormiga evalu la pertinencia de la solucin que estaba construyendo (respecto de la Funcin Objetivo)

Figura 2.2. Esquema solucin del ACO. Imagen tomada de (3)

En el proceso metaheurstico cada individuo o hormiga parte del hormiguero (condiciones iniciales) construye una solucin al problema planteado recorriendo una ruta y llega al alimento (solucin), posteriormente otras hormigas recorren las rutas trazadas previamente por sus pares hasta que se halla la solucin optima. Los rastros de feromona actan como informacin numrica distribuida, que las hormigas utilizan para probabilsticamente avanzar en la bsqueda de la mejor solucin a un problema determinado, ese rastro, fundamental como concepto para entender ACO, es lo que las hormigas adaptan durante la ejecucin del algoritmo para reflejar su experiencia de bsqueda. Los individuos implementan una construccin heurstica, que en un principio es aleatoria y luego basa su toma de decisiones en variaciones probabilsticas, las cuales son funcin de los rastros de Feromona. Una ACO simultnea y asincrnicamente mueve los sujetos u hormigas a travs de estados adyacentes del problema construyendo caminos en el espacio matemtico en el que se llevar a cabo la bsqueda de las soluciones; al moverse, las hormigas, van incrementalmente construyendo soluciones al problema; una vez que un individuo ha construido una solucin, o cundo esta est siendo construida, la hormiga evala los resultados parciales de la misma y puede decidir si deposita ms o menos Feromona dependiendo de qu tan acertada es la solucin encontrada, es decir qu tan cercana es al valor esperado planteado por la Funcin Objetivo.

~ 32 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Adems de la actividad de las hormigas, que bajo cierto punto de vista pueden considerarse como autnomas, deben considerarse otras caractersticas del proceso en s mismo: La evaporacin del rastro de Feromonas y las llamadas Acciones del Demonio. La evaporacin del rastro evita la convergencia demasiado rpida de soluciones sobre una regin que no es optima, es decir es la manera en la que las hormigas olvidan que alguna vez tomaron otra ruta ( que demostr no ser la mejor) y ahora se inclinan por otra ms eficiente. Las Acciones del Demonio son acciones que ejecuta un pequeo diablillo que es externo a las hormigas y que puede tener cierta influencia sobre el comportamiento del sistema, son utilizadas para implementar acciones locales que no pueden ser llevadas a cabo por una sola hormiga, por ejemplo, el Demonio puede decidir, una vez que ha visto los distintos caminos trazados por los individuos, poner un poco mas de feromona en uno o retirar feromona del otro, de esta manera el Demonio permite al programador tener cierto control dentro del sistema, le garantiza influencia sobre el proceso y no ser un simple observador. Es pertinente mencionar que an si el creador opta por no utilizar Acciones de Demonio lgicamente su influencia jams ser nula, puesto que es l o ella quin define las caractersticas matemticas de los individuos y los lmites del espacio de bsqueda. Es posible llegar entonces a la conclusin de que los individuos del sistema, en cuanto a su comportamiento se ven caracterizados por: Auto-catlisis: Las hormigas en s mismas y como grupo regulan todo el proceso, ACO es una reaccin autosostenible que solo se ve afectada externamente por factores como las Acciones de Demonio o las limitaciones de recurso computacional. Conducta cooperativa: Cada uno de los individuos existe como una extensin de la forma de inteligencia ulterior, La Colonia. Los individuos colaboran unos con otros sin buscar bien individual. Amplio rango de soluciones: El componente estocstico permite a las hormigas construir una amplia gama de soluciones dentro del espacio de bsqueda previamente establecido.

2.4. La Hormiga El sujeto artificial u hormiga es un agente computacionalmente simple que intenta construir una solucin a un problema, explorando los rastros de feromona disponibles (discriminando los ms fuertes de los menos fuertes) y est caracterizado por: Buscar soluciones acertadas que utilicen el mnimo de recursos para el problema a resolver. Depositar feromona durante el recorrido, modificando el espacio de construccin de soluciones.

~ 33 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Tener una memoria en la que almacena el camino recorrido para poder reconstruir soluciones pertinentes, evaluar las soluciones que ya han sido generadas, o bien reconstruir el camino completo recorrido. Llevar a cabo movimientos dentro del espacio de bsqueda, aplicando reglas de transicin heursticas, que en funcin de los rastros de feromona disponibles y de la memoria del individuo sean determinados por el creador del mtodo Tener la posibilidad de que una vez creada la solucin pueda rastrear de vuelta la misma para reforzarla en caso de ser pertinente

2.5. El cdigo y sus definiciones Para establecer la teora de la Metaheurstica de ACO es prudente remitirse a (Dorigo & di Caro, 1999). Como ya se mencion en este documento, las hormigas artificiales construyen la solucin aplicando polticas de decisin local basadas en los rastros de feromonas y en conceptos metaheursticos, bien, aqul concepto central es la llamada Visibilidad. La Visibilidad refleja qu estados, dentro de la ruta de cada individuo son mas deseables. El criterio de avance de un estado a otro obedece a la ecuacin: (Gendrau ,2010) ,
, , , ,

cero en caso contrario

(2.1)

Donde Ji representa el subconjunto de estados adyacentes desde el estado i, y son valores que encarnan la preponderancia de las Feromonas y la Visibilidad. Conforme la hormiga avanza y evala la solucin, modifica los rastros de feromonas en las , la cual almacena la componentes de una matriz de feromonas conocida como informacin adquirida en las regiones ya exploradas, as tambin se guiar la bsqueda de las futuras hormigas. Ms all de esto, El algoritmo tambin puede incluir un proceso de evaporacin de rastros de feromonas y otras acciones, como realizar optimizaciones locales sobre soluciones encontradas, o actualizar la informacin global para guiar el proceso de bsqueda desde una perspectiva no local. (Paciello Coronel, 2006) La evaporacin de las feromonas se modela segn la siguiente expresin:
,

(2.2) es hallado mediante: (2.3)

Donde

es un valor llamado constante de evaporacin y 1/

Con k {1, 2,, n} .Si se trabaja con la evaporacin de una Feromona enfocado en un solo objetivo, considerando por ejemplo n objetivos entonces se calcula con:

~ 34 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Donde los valores de

(2.4)

deben ser normalizados.

Para finalizar, cada hormiga que hall una solucin debe analizar sus resultados utilizando Conjunto Pareto, definido en el numeral 1.4. La sintaxis bsica computacional de ACO se resume en:

2.6. Aplicaciones ACO Ejemplo central Gran parte de las aplicaciones de Optimizacin por Colonia de Hormigas se basan situaciones relacionadas a la Ingeniera de Manufactura, en un primer acercamiento resea el artculo de (Udhayakumar et al, 2010), dichos autores exponen el desarrollo una Agenda ptima para la Secuencia de uso de Herramienta y Ejecucin Operaciones que encuentre el mnimo tiempo posible total de toda la operacin en Sistema de Manufactura Flexible (FMS). en se de de un

Un Sistema de Manufactura Flexible es un conjunto integrado por Mquinas-Herramientas enlazadas mediante un mecanismo de manejo de materiales automatizado y operadas automticamente con tecnologa convencional o a por un entorno CNC (Control Numrico por Computador). Este sistema se caracteriza por tener una Caja de Herramientas Comn a todas las operaciones, esto debido a que los tiles son utilizados en varias estaciones de trabajo y

~ 35 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

a razones de espacio, as se elimina la necesidad de adquirir herramientas para cada estacin, las cuales suelen ser costosas. Las herramientas son organizadas en una secuencia y programadas segn una restriccin fundamental: Los tiempos en que una determinada mquina y una determinada herramienta se ensamblan para realizar una determinada tarea tienen un margen de error muy pequeo; por lo tanto el xito del FMS yace en el diseo de un procedimiento que organice las tareas de forma impecable. La descripcin del problema que los autores pretenden resolver incluye el entorno de operacin, suposiciones, objetivos y la definicin del problema bajo consideracin. Entorno de trabajo: Cada estacin de trabajo del FMS es capaz de hacer muchas operaciones que en si son idnticas en concepto, es decir, todas son operaciones de maquinado. La Caja Comn de Herramientas almacena todas las herramientas necesarias para cada operacin. Cualquier operacin puede ser llevada a cabo en cualquier estacin de trabajo. Cada operacin implica un conjunto de sub-operaciones. Cada operacin requiere una herramienta especfica. La secuencia de sub-operaciones y la herramienta vara de operacin a operacin.

Suposiciones: Cada secuencia de operaciones y sus interacciones con cada herramienta estn preestablecidas. Para realizar cada operacin la herramienta solo visita una vez la estacin de trabajo. Cada estacin de trabajo y herramienta solo puede realizar una operacin al tiempo. Una vez que una operacin comienza debe terminarse ( no puede ser interrumpida) Ninguna operacin requerir visitar la misma estacin de trabajo dos veces. El tiempo de cada operacin incluye la carga y la descarga del producto, cambio de herramienta, tiempos de puesta a punto del proceso y el tiempo de maquinado en s. Una vez una tarea termina la herramienta vuelve a la bodega comn en un tiempo despreciable.

Objetivo: Considerando que los FMS requieren de una alta inversin inicial en trminos de herramientas y dispositivos el objetivo se plantea como: Hallar el intervalo mnimo de tiempo de cada sub-operacin que maximice el uso de herramientas y dispositivos.

~ 36 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Replanteando el objetivo, el documento procede a resolver un problema con la siguiente definicin: Generacin de una agenda que minimice el tiempo entre el inicio y el final de las tareas a ejecutar, con N diferentes operaciones que requiere m diferentes estaciones de trabajo con T herramientas que son compartidas por muchas operaciones dentro del FMS.

Figura 2.3.Esquema del entorno del problema. Tomado de (Udhayakumar et al, 2010)

Metodologa: Dos etapas son planteadas por los autores, el Algoritmo de Giffler y Thompson (Giffler & Thompson, 1960) y el ACO. Algoritmo de Giffler y Thompson Las soluciones adoptan el Algoritmo extendido de Giffler y Thompson para la generacin de agendas, (Artigues et al, 2006) sealan que este algoritmo en su forma simple es quizs el ms famoso de los Esquemas Generadores de Agendas Secuenciadas o (SGS) correspondiente a su abreviatura en ingls. Del Algoritmo Simple de Giffler y Thompson puede mencionarse en lneas generales que es un SGS de adicin, es decir, en l, una operacin no agendada en una mquina solo puede ser agendada despus de todas las operaciones ya agendadas en la misma sin retrasar las operaciones existentes, bsicamente lo que hace es poner en fila las operaciones en orden de llegada. El Algoritmo Extendido (versin mejorada del simple y mtodo de trabajo del artculo analizado) es propuesto cuando cualquiera dos o ms trabajos requieren para una operacin de la misma herramienta, as que se hace una decisin arbitraria para obtener

~ 37 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

una solucin satisfactoria, posteriormente se verifican los diferentes escenarios uno por uno para as hallar todas las agendas factibles incluida la ptima. ACO El proceso ACO es sintetizado en el siguiente diagrama de flujo y en la enumeracin de trece puntos a continuacin:

Figura 2.4. Diagrama de flujo del ejemplo central

~ 38 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Etapas de la construccin de ACO: 1. Ingresar el nmero de operaciones, el nmero de sub-operaciones, tiempo de procesamiento, nmero de herramientas y nmero de iteraciones. 2. Inicializar niveles de feromona con , y , como cero y uno respectivamente , los cuales son valores recomendados por Udhayakumar et al, basados en el trabajo de (Prabaharan et al, 2006) 3. Hallar los valores de probabilidad con la formula acumulativos para la primera operacin.
, ,
,

y sus valores

4. Generar un nmero aleatorio, evaluarlo y determinar en qu rangos tal nmero falla. 5. Asignar el trabajo cuya probabilidad se analiz en el numeral tres a la correspondiente mquina. 6. Repetir los numerales tres, cuatro y cinco y asignar todas las operaciones al nmero disponible de mquinas. 7. Crear la secuencia para el conjunto de operaciones asignados en cada mquina , utilizando el criterio ,
,

8. Calcular el intervalo de tiempo entre el inicio y el fin de las operaciones utilizando el Algoritmo Giffler-Thompson Extendido para la secuencia obtenida. 9. Repetir los pasos del tres al ocho y calcule el intervalo de tiempo para el nmero de hormigas. 10. Elegir la hormiga con el mejor intervalo( el ms corto) y su correspondiente secuencia de operaciones 11. Actualizar el rastro de feromona
, ,

0.9

12. Repetir las etapas tres a diez hasta el nmero especificado de iteraciones o hasta obtener un valor satisfactorio. 13. Mostrar el valor obtenido. Anlisis de los resultados: Una vez alcanzados los resultados, Udhayakumar et al procedieron a analizarlos comparndolos con resultados obtenidos en la literatura especializada, por ejemplo,

~ 39 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

(Prabaharan et al, 2006), encontrando que los resultados de su investigacin eran mejores. Otras aplicaciones A partir de este momento y en aras de proveer variedad a esta resea bibliogrfica referente a ACO se resean algunos documentos cientficos pertinentes. (Guo et al, 2010) presentan en su documento un caso de aplicacin de ACO en el cual se expone la correccin de errores dimensionales en piezas sometidas a maquinado CNC, tales defectos son causados por distorsiones trmicas locales en las proximidades de la zona de desbaste de material; buscando una manera efectiva de reducir las imprecisiones de carcter trmico se emplea la Tcnica de Compensacin de Errores, enfocada en realizar un acertado modelamiento de los desaciertos en el maquinado. Se propone entonces por parte de los escritores un ACO basado en el ya mencionado campo de las Redes Neuronales, en el cual cada componente de una red computacional emula el funcionamiento de una neurona en el cerebro de un organismo vivo. Finalmente los resultados son satisfactorios y se logra una reduccin en el error presente en las tolerancias de maquinado. Cambiando de artculo se menciona la Tecnologa de Grupo o Group Technology (GT), la cual es una filosofa de manufactura que se basa en la idea de que: Para muchos problemas que son similares y que se han agrupado, una sola solucin que sea encontrada para cualquiera de ellos debera solucionar tal conjunto de problemas (4). Los problemas relacionados a la GT han atrado a algunos acadmicos, entre ellos estn (Agrawal et al, 2010) en cuya investigacin abordan temticas de Familias de Partes y de Celdas de Mquinas las cuales favorecen la produccin en masa y lo analizan mediante seis tendencias de ACO: ACO Ant colony optimization ACO-E ACO modalidad Hormiga elitista Elitist Ant ACO-R ACO modalidad escalafn Ranking ACO-TS ACO modalidad bsqueda tab Tabu Search ACO-SE ACO modalidad experiencia compartida Shared Experience

En otro trabajo, esta vez elaborado por (Su & Jiang, 2010) se desarroll un trabajo enfocado en un dispositivo de alta eficiencia, ahorro de energa y alta potencia conocida como Paleta Servo-Rotatoria de Engranaje de Direccin Electrohidrulica, utilizado principalmente en botes (5). Este componente es analizado con el fin de determinar parmetros de funcionamiento, as que se crea un modelo matemtico y se obtiene un rango de valores para los parmetros a optimizar. En tal rango de valores se efecta una ACO buscando los valores ptimos con una particularidad, el mtodo ACO tambin incluye un componente de AG.

~ 40 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Finalmente los resultados del proceso metaheurstico son comparados con una muestra experimental realizada y se encuentra que la semejanza es siempre superior al ochenta y siete por ciento, lo que lo hace aceptable para propsitos comerciales. Recientemente se public una investigacin que analiza cmo ciertos valores en parmetros de funcionamiento de un cojinete conllevaran a concluir que se encuentra en estado de desgaste, todo esto empleando ACO. (Song et al, 2011) analizan en el dominio de la frecuencia las caractersticas de las seales vibratorias del cojinete bajo diferentes condiciones de servicio; los mtodos empleados discriminan las seales obtenidas clasificndolas en las que son producto de un normal funcionamiento y aquellas provenientes de desgaste y condiciones indeseables de operacin. Paralelamente (Li et al, 2010) desarrollaron un trabajo similar en el cual se determinan fallas de cojinetes, sin embargo en esta investigacin el anlisis principal de las seales se efectu en el dominio del tiempo, haciendo hincapi en el tratamiento estadstico de los datos obtenidos. Finalmente, en el rea de aplicaciones mecnicas, se destaca la labor de (Li & Chen, 2011) en esta investigacin los autores analizan maquinarias con componentes rotatorios y sus posibles fallas debidas a Desbalance, Mal Alineamiento y Juego; tal anlisis los estimula a presentar un documento con el fin de proponer un mtodo inteligente para diagnostico de fallas en ejes a travs de ACO. ________________________________________________________________________

Agrawal A. K. & Bhardwaj P. & Srivastava V. (2010). Ant colony optimization for group technology applications, en International journal of advanced manufacturing technology, Vol. 55, N 5-8, pp. 783-796. Artigues C. & Lpez P. & Ayache P-D. (2006).Schedule generation schemes for the jobshop problem with sequence-dependent setup times: dominance properties and computational analysis, en Annals of Operations Research, Vol. 138, N 1, pp. 2152. Dorigo M. & A. Colorni & V. Maniezzo. (1991).Distributed Optimization by Ant Colonies, en Proceedings of the First European conference on Artificial Life, pp. 134-142. Dorigo M. (1992). Optimization, Learning and Natural Algorithms. Ph D thesis. Dipartamento di elettronica. Politcnico di Milano. 140 pginas. Dorigo M. & di Caro G. (1999).The Ant Colony Optimization Meta-Heuristic, en New Ideas in optimization, pp. 11-32. Gendreau M. (editor) & Potvin J-Y. (editor) 2010. Handbook of metaheuristics. Springer pp. 226 -265

~ 41 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Giffler B. & Thompson G.(1960). Algorithms for solving production scheduling problems, en Operations research, Vol. 6, N 4,pp.487-503. Glover F. (editor) & Kochenberger G. A.(editor) (2003). Handbook of metaheuristics. Kluwer academic Publishers, pp. 251-287 Guo Q. & Yang J. $ Wu H. (2010). Application of ACO-BPN to thermal error modeling of NC machine tool, en International Journal of Advanced Manufacturing, Vol. 50, N 5-8, pp. 667-676. Li K. & Chen P. (2011). Intelligent method for diagnosing structural faults of rotating machinery using ant colony optimization, en Journal Sensors ,Vol. 11, pp. 40094029. Li P., Kong F., Dang L. (2010). A New fault diagnosis system for train bearings based on PCA and ACO .International Conference on Logistics Systems and Intelligent Management, ICLSIM 2010, 1, art. no. 5461366, pp. 526-530 Mendoza Garca B. & Coello Coello C. & Martnez Morales M. (2001). Uso del Sistema de la Colonia de Hormigas para Optimizar Circuitos Lgicos Combinatorios en tesis de maestra Universidad Veracruzana. Paciello Coronel J.M. & Martnez Santacruz H.D. & Lezcano Ros C.G. & Barn Cegla B. (2006). Algoritmos de Optimizacin Multi-objetivos basados en colonias de hormigas en Conferencia latinoamericana de informtica. Prabaharan,T. & Nakkeeran, P.R. & Jawahar, N. (2006) .Sequencing and scheduling of job and tool in a flexible manufacturing cell, en International Journal of Advanced Manufacturing Technology, Vol.29 N 7-8, pp. 729745. Song, L.-Y. & Wang, H.-Q. & Pan, J. & Gao, J.J.& Li, K. (2011). Application of ant colony algorithm in fault diagnosis of roller bearing, en Journal Advanced Materials Research,Vol. 291-294 (Materials processing technology), pp. 1957-1960. Su, W.-H. & Jiang, J.-H. (2010). Parameter identification of direct drive electro-hydraulic servo rotary vane steering gear based on genetic ant colony algorithm, en Journal of Harbin Institute of Technology, Vol. 42 N11. pp. 1730-1733. Udhayakumar P. & Kumanan S.(2009). Sequencing and scheduling of job and tool in a flexible manufacturing system using ant colony optimization algorithm, enThe International Journal of Advanced Manufacturing Technology, Vol.50, N 9-12, pp. 1075-1084.

~ 42 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

ndice de recursos en la Internet www.antcolonies.net, 2004 (1) consultado el 1 de Octubre de 2011 www.stafflogic.eu (2) consultado el 5 de Octubre de 2011 http://en.wikipedia.org/wiki/File:Aco_shortpath.svg (3) consultado el 5 de Octubre de 2011 www.strategosinc.com/group_technology.htm (4) el 7 de Octubre de 2011 http://www.jesterinfo.org/haslerselfsteering.html (5) consultado el 7 de Octubre de 2011

~ 43 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

3. Recocido Simulado
(Simulated annealing)

3.1. Introduccin La tcnica metaheurstica de Recocido Simulado (RS) o (SA) es un mtodo de optimizacin o de bsqueda cuya caracterstica clave es la capacidad de escapar de valores mximos y/o mnimos locales permitiendo a travs movimientos de Ascenso de Colinas encontrar valores ptimos globales, tambin se caracteriza por su relativa facilidad de implementacin y sus propiedades de convergencia, lo cual hacen que sea un mtodo an utilizado despus de casi tres dcadas de existencia. Es necesario ampliar del numeral (1.1.1.) de esta monografa que los Movimientos de Ascenso de Colinas son algoritmos iterativos que comienzan son una solucin arbitraria a un problema y que intentan encontrar una mejor solucin cambiando paulatinamente elementos de la solucin inicial arbitraria. SA fue propuesto por (Kirkpatrick et al, 1983) y fue ideado inicialmente para sistemas discretos, sin embargo, en la literatura especializada existen trabajos especializados en la implementacin de SA para optimizaciones en dominios continuos (Geman & Hwang, 1986). Su nombre es dado gracias a la analoga entre el proceso computacional y el de ingeniera de materiales en el cual, un slido cristalino es calentado y luego enfriado muy lentamente hasta que los tomos en su interior alcanzan la configuracin de menor energa, la cual tericamente es de cristales perfectos, sin embargo en la realidad es casi imposible eliminar totalmente los defectos en procesos industriales. 3.2. El proceso del recocido Existen muchos materiales que tienen estructura cristalina en su interior, los metales son el ejemplo por excelencia; en un metal, los tomos se organizan mayormente en las estructuras mostradas en la Figura 3.1. Debido a que en la prctica casi todos los metales son aleaciones (la mezcla de 2 o ms metales en un mismo material) y a contaminaciones en el proceso de conformado, la estructura cristalina tiende a ser irregular a nivel microscpico (tomos en lugares donde no deberan estar, tomos de elementos indeseados reemplazando a los deseados en la microestructura) y por eso las propiedades mecnicas del material se ven afectadas. El recocido es un tratamiento trmico en el cual la muestra se calienta, llevndola a una temperatura preestablecida para luego enfriarla muy lentamente. La idea de este proceso es brindar la energa suficiente (temperatura) a los tomos en el metal para que logren moverse y ubicarse de la mejor manera, es decir lograr una estructura en la que sus tomos estn en el menor nivel de energa posible y por lo tanto sean ms estables; este proceso depende completamente del tiempo porque los movimientos atmicos no ocurren de manera instantnea sino que necesitan de un lapso suficiente.

~ 44 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Figura 3.1.Estructuras cristalinas principales Tomado de (1)

Si el tiempo de enfriamiento es suficiente se obtiene un slido de configuracin cristalina muy regular, con menos defectos y por lo tanto con mejores propiedades mecnicas, contrariamente, si el tiempo es demasiado corto, los tomos no tendrn tiempo de ubicarse en las posiciones ms estables dentro del arreglo cristalino, creando esfuerzos internos y debilitando el material. 3.3. La analoga SA establece una conexin entre este comportamiento termodinmico y la bsqueda de soluciones globales para un problema (generalmente en el dominio discreto), cmo? Supngase que cada tomo es una solucin arbitraria a optimizar, el proceso inicia con n soluciones propuestas, que al igual que los tomos, van a moverse en el material (para la analoga el volumen del slido es el espacio de bsqueda) hasta encontrar su punto de menor energa, o en este caso, la mejor solucin. A lo largo del proceso se realiza la evaluacin de cada solucin respecto de la Funcin Objetivo con el nimo de provocar un cambio en la solucin actual y seguir en la bsqueda de un ptimo global (es decir se aplica el concepto de Ascenso de Colinas); en este instante se seleccionan las mejores opciones de cada iteracin, pero tambin se seleccionan algunas que no lo son, esto con el nimo de escapar de posibles ptimos locales. Puede concluirse que cada solucin tiene una energa inherente que le permite moverse en el espacio de bsqueda al igual que los tomos en un metal se mueven gracias a la temperatura del mismo. En cada iteracin del SA los valores de dos soluciones (actual y nueva) son comparados, las soluciones mejoradas siempre son aceptadas y algunas de las no mejoradas tambin, la probabilidad de aceptar soluciones no mejoradas depende de un parmetro llamado Temperatura, el cual tpicamente disminuye con el transcurso de las iteraciones al igual que la temperatura en un metal que est siendo recocido disminuye con el tiempo. A medida que la Temperatura disminuye los movimientos de Ascenso de Colina ocurren con menor frecuencia, paralelamente, es necesario controlar la magnitud de estos movimientos para que no desven la bsqueda cuando esta se encuentra por buen

~ 45 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

camino, ya que aceptar demasiadas soluciones no mejoradas puede ignorar los progresos realizados hasta el momento; as que el parmetro Temperatura define la probabilidad de movimiento de las soluciones hacia regiones localmente no ptimas. Entonces por consiguiente: Cuando el valor del parmetro Temperatura es muy pequeo no existen los movimientos suficientes y fcilmente se converge en un valor ptimo local. Est comprobada la convergencia a ptimos globales si la temperatura desciende lentamente, pero generalmente los tiempos de cmputo son una restriccin fundamental.

En SA existen parmetros inherentes al mtodo e inherentes a cada problema en especfico que deben ser controlados, dentro de los inherentes al mtodo se encuentran: Nota: La Temperatura inicial debe ser independiente de la solucin inicial. La temperatura final debera ser de cero, pero realmente el problema converge antes de eso, si la temperatura final es muy baja el tiempo de iteracin suele ser muy largo. La solucin inicial es obtenida aleatoriamente o mediante los conocimientos previos del programador del problema. Los parmetros inherentes a cada problema en especfico son: Nota: El entorno de la solucin en cada iteracin se refiere al espacio matemtico adyacente de una solucin actual dada, de tal manera que una solucin actual puede cambiar hacia una solucin nueva cambiando alguno de sus elementos, siempre y cuando esta se encuentre en tal espacio adyacente. 3.4. La metaheurstica Espacio de la solucin Solucin inicial Funcin objetivo Entorno de la solucin (en cada iteracin) Temperatura inicial Funcin de reduccin del parmetro Temperatura Nmero de iteraciones Criterio de detencin (Temperatura final?)

~ 46 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Es vlido interpretar que el procedimiento de SA afecta el valor de la Funcin al aceptar valores tanto mejores como peores para construir las nuevas soluciones, es decir las de la siguiente iteracin. El recocido de materiales (y anlogamente SA) tiene como objetivo traer la estructura cristalina a su estado de menor energa, de tal manera que como el mtodo toma tanto soluciones mejores como peores, se terminan aceptando nuevas soluciones que tienen menor energa que su estado anterior (las cuales son la mayora y se aceptan directamente) y otras que tienen mayor energa y son aceptadas segn la probabilidad de: | | (3.1)

Donde T es el parmetro temperatura, k no se toma en cuenta por ser un concepto es el incremento en el valor de la Funcin, esto termodinmico sin analoga en SA y es, la diferencia entre el valor de la funcin de la solucin actual y el valor de la funcin de la solucin siguiente. En la figura 3.2 se muestra el diagrama de flujo de la tcnica, para desmenuzarla paso a paso se establecen tres factores fundamentales para desarrollar SA. Generacin de soluciones Evaluacin de soluciones Agenda de recocido 3.4.1. Generacin de Soluciones El Generador de Soluciones de SA debe introducir pequeos cambios aleatorios y permitir que todas las posibles soluciones sean alcanzadas, (Parks, 1990) propone en su investigacin generar las soluciones bajo la frmula: (3.2) donde u es un vector de nmeros entre menos uno y uno (-1,1) y D es una matriz diagonal que define el mximo cambio permitido en cada variable. Despus de que el primer cambio en una solucin es ejecutado D es modificada mediante: 1 (3.3)

Donde y son parmetros definidos por el autor que cumplen funciones similares y R es una matriz diagonal de elementos que consiste de las magnitudes de los cambios ejecutados a cada variable de control. Tambin se define el Paso, el cual es la distancia en magnitud desde la solucin actual hasta la solucin nueva aceptada. Utilizando tal estrategia es recomendable entonces cambiar la ecuacin (3.1) por:

~ 47 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

(3.4)

donde es el paso promedio; como el paso es tenido en cuenta para calcular el nuevo valor de p, D no debe ser actualizado.

Figura 3.2. Diagrama de flujo SA

3.4.2. Evaluacin de las soluciones

~ 48 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

En aras de obtener un buen desarrollo computacional en la ejecucin de SA es importante que las evaluaciones de las funciones problema sean llevadas a cabo eficientemente, especialmente al tener en cuenta que en tales procesos digitales los flujos de informacin son considerablemente altos. En muchos casos el proceso de seleccin puede ser simplemente programado con el fin de rechazar cierto tipo de soluciones propuestas excluyendo alguna parte del espacio de bsqueda. Sin embargo existen dos casos especiales que deben ser analizados: Si existen algunas restricciones que impliquen una igualdad. Si el espacio factible, definido por las restricciones se sospecha de estar dividido, es decir si no es posible moverse entre todas las soluciones factibles sin pasar por una no factible.

En cualquiera de estos casos el problema debera ser transformado en uno sin restricciones modificando la funcin objetivo introduciendo funciones de penalizacin as: 1 (3.5)

donde w es un vector de coeficientes no negativos y el vector Cv cuantifica las magnitudes de cualquier violacin de las restricciones. La dependencia inversa de la penalizacin respecto del parmetro Temperatura discrimina la bsqueda incrementando fuertemente la favorabilidad hacia el espacio factible conforme las iteraciones pasan. 3.4.3. Agenda de Recocido El parmetro temperatura del proceso de SA determina el grado del movimiento de Ascenso de Colinas permitido durante la bsqueda y por lo tanto es crtico para el desempeo del proceso. El principio implcito en la creacin de una Agenda de Recocido se resume en que el sistema debe tener suficiente energa interna al principio para permitir movimientos fuertes y se debe reducir a medida que se acerca a un punto de estabilidad conocido como Punto de Solidificacin. En este momento se requiere definir el concepto de Cadena de Markov (CdM), la cual es un proceso estocstico discreto en el cual la probabilidad de que un suceso ocurra depende solamente del suceso anterior, es decir, es un proceso sin memoria (Markov & Link, 2006). Se concluye entonces que cada solucin a un problema en SA puede representarse como una Cadena de Markov en cierto momento, esto debido a que luego de que cada solucin se evala, es modificada teniendo en cuenta el estado actual de la misma y no las condiciones presentes en iteraciones pasadas.

~ 49 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Ahora, retomando y ampliando el numeral (3.3) de este documento se enumeran los parmetros de agendado en el recocido: 3.4.3.1. Temperatura inicial

(Kirkpatrick, 1984) sugiri que un valor del parmetro Temperatura adecuado es aquel que permita un incremento en la probabilidad promedio de aceptar una solucin de 0.8 en cada evaluacin. El valor de depender de la Funcin Objetivo y por lo tanto es especfica a cada problema; este valor puede ser estimado con la ejecucin de una bsqueda inicial en la cual todos los incrementos son aceptados y se calcula el incremento promedio del objetivo dado por la relacin: (3.6)

3.4.3.2.

Temperatura final

En algunas aplicaciones de SA la temperatura final es determinada al tomar como un valor fijo el nmero total de soluciones a ser generadas (que es funcin de Temperatura) o el nmero de diferentes valores de Temperatura utilizados (es decir en cada iteracin se utilizan valores de Temperatura). La solucin tambin puede ser detenida cuando deja de existir un progreso significativo, tal falta de progreso puede reconocerse por: Ninguna nueva mejor solucin a una temperatura dada. No presencia de convergencia.

Finalmente es necesario mencionar que las longitudes de las CdM son sumamente importantes; la longitud Ln y la posicin de una cadena n (primera, segunda, ensima; dentro del arreglo) son independientes, es decir estas son definidas solo por las caractersticas iniciales del problema. 3.4.3.3. Otras consideraciones y comportamiento del mtodo

Considerando que, como se acaba de ver, los procedimientos que controlan la generacin y aceptacin de nuevas soluciones son relativamente simples, el costo computacional de implementar el mtodo SA es realmente definido por la evaluacin de las funciones correspondientes; en general Cualquier esfuerzo de mejorar el desempeo debera estar dirigido hacia explotar las capacidades computacionales de paralelizacin y vectorizacin para acelerar el proceso de evaluacin de mtodo. (2)

~ 50 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

3.5. Aplicaciones SA SA es un mtodo que fue propuesto formalmente en el ao 1983, su caracterstica principal, escapar de mnimos locales, es emulada en muchos otros mtodos posteriores, por ejemplo ACO. Teniendo en cuenta que han pasado casi 30 aos entre su postulacin y la redaccin de esta recopilacin monogrfica, es natural pensar que ya no es un mtodo que sea utilizado ampliamente, pero en realidad la base terica de la tcnica sigue siendo tan vlida hoy como lo fue hace 28 aos, tan es as que existen muchos trabajos que utilizan la base de SA para problemas de optimizacin y otros tantos que la utilizan junto con otras tcnicas ms recientes. A continuacin se procede a analizar el documento de (Jang ,2008), cuyo objetivo primordial es generar un Plan de Diseo (que es bsicamente el posicionamiento espacial de los componentes) para un bote sumergible utilizando componentes de formas arbitrarias en tres dimensiones. Los procesos ingenieriles actuales son cada vez ms complicados y las aplicaciones requieren diseos compactos; El Plan de Diseo juega un importante rol en muchos productos, por ejemplo, en componentes electrnicos, las herramientas de diseo organizan miles de elementos en espacios muy reducidos. Una variedad de tcnicas han sido aplicadas a problemas de diseo en tres dimensiones desde largo tiempo atrs, usando, por ejemplo AG (Cagan, 1994). El autor comienza definiendo el ncleo de su situacin problema: El Plan de Diseo de un bote sumergible, el cual es utilizado para bsquedas submarinas y mapeo del fondo del mar. El primer paso de diseo es identificar las necesidades del diseo a crear: Funcin Deteccin Dispositivos Sensor de temperatura del agua, sensor de proximidad, sensor de azimut, sensor de profundidad, sensor de PH, visin(Cmara) Batera para los timones, controladores, etc Faro de rescate, radio de emergencia. Sistema de control de actuadores del sistema Transformador para motor AC Computador de posicin, postura y estabilidad Controlador de aceleradores, actuadores del timn.

Suministro de potencia Comunicacin Conduccin Inversin de AC Computador central Controladores

Tabla 3.1. Enumeracin general de componentes en el sumergible

La siguiente etapa consiste en enumerar todos los componentes que van a ser posicionados en el vehculo y paralelamente identificar en trminos generales qu figura tiene (esfrica, cnica, de paraleleppedo, etc.).

~ 51 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Parte 1 Parte 2 Parte 3 Parte 4 Parte 5 Parte 6 Parte 7 Parte 8 Parte 9 Parte 10 Parte 11 Parte 12 Parte 13 Parte 14 Parte 15 Parte 16 Parte 17 Parte 18 Parte 19 Parte 20 Parte 21 Parte 22 Parte 23 Parte 24 Parte 25 Parte 26 Parte 27 Parte 28

Sensor supersnico Sonar Sensor de corriente Sensor de temperatura Aparatos de telecomunicacin Antena Tanque trasero Aspersor de pintura para emergencias Medidor de Ph Receptor Medidor de distancia Transportador Actuador del timn vertical Actuador del timn horizontal Compensador Bomba de aire para emergencias Cmara Tanque de lastre Deslastreador Estrobo Faro Fuente de potencia Inversor Sensor de azimut Impulsor derecho Impulsor izquierdo Computador central Navegador

Tabla 3.2. Tabla de partes a ser posicionadas en el diseo del bote.

La tercera etapa, segn Jang, consiste en establecer las dimensiones de cada elemento e identificar una forma geomtrica trivial en que pueda ser clasificado cada uno. Forma Parte 1 Parte 2 Parte 3 Parte 4 Parte 5 Parte 6 Parte 7 Parte 8 Parte 9 Parte 10 Parte 11 Cilindro Cono Cilindro Cilindro Tetraedro Cilindro Cilindro Seccin circular Cubo Cua Cube Tamao (mm) A 600 450 300 250 400 100 800 600 300 500 450

B 450 450 400 250 500 700 800 600 300 500 450

C 500 750 750 350 400 750

~ 52 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Parte 12 Parte 13 Parte 14 Parte 15 Parte 16 Parte 17 Parte 18 Parte 19 Parte 20 Parte 21 Parte 22 Parte 23 Parte 24 Parte 25 Parte 26 Parte 27 Parte 28

Cilindro Cilindro Cilindro Cua Esfera Cilindro Cubo Cubo Cilindro Filete Cilindro Cua Cono Cilindro Cilindro Cubo Cilindro

800 600 800 250 750 400 700 700 400 700 400 700 500 500 500 400 300

800 600 850 250 400 800 800 400 800 600 700 500 900 900 400 300

750 550 800 380 900 800 0 700 -

Tabla 3.3. Dimensiones de los dispositivos

Una vez planteadas las especificaciones geomtricas de los elementos el autor establece las restricciones de diseo as: Cableado: La longitud de los cables que conectarn los diversos elementos debe ser tan pequea como sea posible. Centro de gravedad: El centro de gravedad del sumergible debe estar ubicado a 0.4 longitudes desde la proa (parte de adelante del bote), so pena de comprometer la maniobrabilidad del bote. Disposicin del espacio para los componentes: El espacio interno del sumergible es el espacio disponible para los componentes, por lo tanto estos no deben traslaparse ni tocar el lmite exterior (el casco). Ruido (interferencia): El ruido de los inversores, actuadores, impulsores, fuentes de poder, etc. no deben afectar el computador central o los sensores. Metacentro: El metacentro, concepto referente a estabilidad, debe permanecer en valores que garanticen estabilidad.

Adicionalmente deben seleccionarse criterios de diseo, algunos muy afines a las restricciones, con el objetivo de refinar el proceso de seleccin de la mejor solucin: Interferencia entre seales de ruido: Es decir se busca que la longitud entre las fuentes de ruido (interferencia) sea la suficiente. Posicin de componentes: Los volmenes no deben traslaparse nunca Relacin funcional entre los componentes: La longitud entre componentes que tiene una relacin funcional debe ser tan corta como sea posible. Efecto del ruido en los sensores: Es necesario que las fuentes de interferencia y los sensores tengan una distancia prudente.

~ 53 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Restriccin de volumen: Los volmenes de los aparatos no deben en ningn momento traslaparse con el casco. Rata de empaquetamiento: Es la razn entre el espacio total vaco y el espacio total del bote y cuyo valor debe ser tan pequeo como sea posible. Cambio de posicin del centro gravitacional: Despus de deshacerse del lastre, el centro gravitacional tiende a cambiar, la configuracin ms estable ser buscada. Longitud total de cable utilizado: Minimizar la cantidad de cable que une los mecanismos es considerado criterio de seleccin.

Figura 3.3. .Formas geomtricas utilizadas por Jang, 2008

~ 54 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Con las restricciones y criterios de diseo definidas el autor prosigue a plantear la funcin objetivo como: 100 100 y (3.7)

donde y son los valores de solucin para la actual iteracin y valores de la primera solucin.

son los

A continuacin y antes de iniciar con la solucin computacional Jang divide las restricciones del problema de la siguiente manera: Restricciones espaciales: Restricciones de posicin: Partes que deben quedar ubicadas en espacios especficos, por ejemplo, algn sensor que deba estar posicionado en la parte delantera del sumergible. Restricciones de direccin: Partes que deben posicionarse en alguna especifica direccin. Por ejemplo, los impulsores deben ubicarse de proa hacia popa (adelante hacia atrs). Restricciones de posicin y direccin: Partes cuya ubicacin se ve afectada por las 2 condiciones planteadas anteriormente.

Restricciones de relacin: Restricciones de simetra: Componentes que deben ser posicionados simtricamente en el sumergible. Por ejemplo, algunos actuadores a derecha e izquierda. Restricciones de dependencia: Componentes que tienen dependencia con otros en el arreglo de elementos. Por ejemplo, el tanque de lastre y deslastreador.

De esta manera un nuevo estado (una nueva posicin espacial) es definido obedeciendo al proceso expuesto en la Figura 3.4

~ 55 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Figura 3.4. Proceso de generacin de nuevos estados y optimizacin.

Luego, el proceso evoluciona intercambiando el estado actual con uno de los estados adyacentes, basado en el criterio de la Frmula 3.1. Con: 1 2 (3.8) 2 es el valor de una solucin

donde 1 es el valor de la funcin de la solucin actual y subsecuente.

Finalmente el creador disea un Software en el cual aplica los conceptos expuestos anteriormente y como ejemplo se aborda el diseo de un bote con: 28 partes (tabla 3.3) 3 restricciones de espacio 2 restricciones de relacin 9 criterios de evaluacin

A partir de este punto y con el nimo de analizar el comportamiento de diferentes valores iniciales, Jang crea diferentes agendas de recocido, variando valores de Temperatura final e inicial para detectar la configuracin ms eficiente, logrando en la mejor de ellas una mejora del treinta y cinco por ciento de la Funcin propuesta, respecto de la solucin inicial. Cambiando el artculo a resear se presenta el trabajo de (Bonev et al, 2010) el cual se centra en el campo de la robtica, en l se expone un mtodo de optimizacin para calibrar los parmetros de caminata de un robot cuadrpedo y la contribucin que representa tal mtodo a las tareas de control y localizacin del dispositivo.

~ 56 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

La locomocin de estos robots presenta sus mayores retos cuando se busca optimizar la rapidez de movimiento, lo cual se hace con el fin de obtener una respuesta precisa en velocidad y lograr informacin odomtrica aceptable. La odometra es el estudio de la estimacin de la posicin en vehculos, los robots mviles utilizan la odometra para estimar su posicin relativa a su localizacin inicial. Este artculo utiliza SA para calibrar diferentes conjuntos de parmetros para diferentes rangos de rapidez mientras paralelamente se subraya la relevancia de mejorar el control del robot a travs de las mejoras obtenidas en odometra, en lneas generales, el proceso SA de Bonev et al presenta el mismo criterio de aceptacin de nuevas soluciones mediante probabilidades presentado en la ecuacin. (3.1) 1,

(3.9)

El valor de temperatura inicial es de 2 y las cualidades parmetro Temperatura hacen que esta disminuya en un 10% cada iteracin, es el valor de la variacin promedio de f en cada iteracin. Una vez se realiza el proceso computacional para el autor es posible graficar la evolucin del valor de velocidad del robot actual vs el nmero de iteraciones (Figura 3.5). En la ilustracin puede observarse que se observa una tendencia hacia el aumento de velocidad del robot, de tal manera que el proceso de optimizacin arroja resultados satisfactorios. A manera de comprobacin se realiza una validacin experimental corroborando los resultados obtenidos y comprobando la efectividad del mtodo.

Figura 3.5. N iteraciones vs valor de velocidad de cada funcin. Tomado de Donev et. al.

~ 57 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

En su publicacin (Paya-Zafortesa et al, 2010) proponen una metodologa general para determinar el nmero de ensayos numricos necesarios para proveer una solucin a un problema de optimizacin heurstico siendo el usuario quien define la precisin requerida en comparacin con una solucin ptima global. La metodologa del proceso es explicada a travs de un problema de minimizacin de costos para marcos metlicos estructurales en edificios de concreto reforzado. Una construccin, de 4 plantas y 2 alas fue analizada a travs de 1000 experimentos numricos utilizando SA; encontrando que la muestra se ajusta bien a una distribucin Weibull de probabilidad y que una pequea muestra de experimentos es suficiente para obtener buenos resultados.

Figura 3.6. Costo de la estructura vs iteraciones SA. Tomado de Paya-Zafortesa et al.

La Figura 3.6 muestra uno de los resultados obtenidos por Paya-Zafortesa et al, en el cual se muestra que el valor de la Funcin Objetivo o de costo (Cmin) que se busca minimizar, desciende con el paso de las iteraciones; paralelamente se muestran los parmetros , los cuales se relacionan con la distribucin de probabilidad Weibull. Variando de campo, en el terreno de las aplicaciones automotrices, el documento de (Yang & Wang, 2010) busca la mejora de los sistemas de direccin a travs de dispositivos denominados Sistemas de Direccin de Potencia los cuales actualmente son componente fundamental en los sistemas de direccin de coches. Los autores plantean su Funcin Objetivo a atacar como la minimizacin del volumen de los dientes de la corona del tornillo sin fin del dispositivo sealado, a partir de tal planteamiento las restricciones son planteadas; posteriormente una Funcin Objetivo con trminos de penalizacin es creada al transformar la optimizacin restringida a una no restringida (Vase numeral 3.4.2).

~ 58 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Con la intencin de evitar dificultades con convergencias en mnimos locales Yang recurre a SA para luego hacerlo a Redes Neuronales, esto con el fin de solucionar dificultades adjuntas al problema central. En el mismo sentido, buscando mejoras en sistemas de direccin (Yu & Tao, 2011) desarrollaron el diseo ptimo de los cojinetes de la columna de direccin en un auto. Este mecanismo, el cual une el volante con los engranajes del sistema de direccin es fundamental para el sistema, as que este artculo presenta el diseo de optimizacin y el ensayo posterior del engranaje superior de la columna de direccin en un carro a ser lanzado al mercado chino en el periodo 2010-2015. Los problemas de diseo fueron formulados y posteriormente resueltos mediante SA; dentro de la labor de diseo seis cojinetes para el mecanismo fueron creados y probados bajo criterios de durabilidad, holgura y efectos de rotacin comprobando el buen resultado del diseo de optimizacin ahorrando cerca de sesenta mil dlares en la lnea de produccin. Otro trabajo con relacin a cojinetes es el presentado por (Sui, 2009) en el cul se presenta un nuevo procedimiento de anlisis de fallas basado en LS-SVM (Least Squares Support Vector Machines) o Mquinas con Vectores de Apoyo de Menos Cuadrados, el cul es una metodologa de solucin de problemas no lineales. Posteriormente SA fue aplicado para encontrar la condicin de funcionamiento que hace ms propenso al elemento a fallar catastrficamente. El ensamblaje del eje transmisor de potencia es( por obvias razones) fundamental en un vehculo pudiendo afectar seriamente el desempeo de la conduccin, el consumo de combustible y la vida til de mltiples componentes, por ello es imperativo confiar plenamente en el diseo de esta seccin de la transmisin; con tal idea en mente (Xi & Chen, 2010) buscan en sus estudios mejorar el diseo del conjunto planetario de engranajes planteando la Funcin Objetivo as: La suma de volmenes al dimetro pitch del engranaje sol y de los planetas debe ser el mnimo posible. Una vez establecido tal objetivo las restricciones son generadas y operadas segn el numeral 3.4.2 de este documento. Al igual que en la resea anterior, (Lin et al, 2009) se ocupan de trabajar en el rea de la transmisin mecnica de potencia, ms exactamente en un nuevo mtodo para diseo automatizado de cajas de cambios. Tal mtodo fue ideado para integrarse en una herramienta computacional de anlisis de transmisiones disponible comercialmente. El procedimiento se basa en la combinacin de una aproximacin al problema basada en restricciones y el proceso metaheurstico de SA. Una vez establecidas las especificaciones mnimas de diseo, como las dimensiones de la carcasa, o el nmero de velocidades requeridas, el algoritmo genera un conjunto de configuraciones de cajas que satisfacen los rangos requeridos por el planteamiento del problema. Con otro enfoque (Ding, 2010) trabaj acerca de labores de optimizacin para una cinta transportadora, cuyo principio de funcionamiento se basa en la friccin entre la banda y los rodillos de traccin ubicados en los extremos del montaje, utilizada para trasladar materiales de una manera continua, dicho conjunto funciona gracias a los reductores (generalmente de engranajes helicoidales) que reducen la velocidad de la flecha proveniente del motor e incrementan el torque. La Funcin Objetivo planteada por el

~ 59 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

investigador se enuncia como:La distancia entre centros de los engranajes del reductor debe ser mnima, bajo esta definicin se disea el modelo de optimizacin definiendo restricciones y propiedades. Para la Solucin del problema se Utiliza SA y al igual que en reseas de trabajos anteriores se recurre a los conceptos establecidos en el numeral (3.4.2.) acerca de la modificacin de la funcin a evaluar respecto de sus restricciones. Un acercamiento para optimizacin en diseo es presentado en (Yildiz, 2009), en l, el investigador crea una tcnica hbrida entre SA y otro mtodo de optimizacin conocido como Algoritmos Inmunes (los cuales son inspirados en el sistema inmune de seres vivos multicelulares). Para validar las cualidades del proceso el autor lo aplica a algunos problemas de optimizacin, por ejemplo, un problema de torneado en multietapas y uno de diseo de siluetas para la industria automotriz, obteniendo resultados satisfactorios. Es muy comn hallar a SA combinado con otros procedimientos, estas fusiones son creadas con el fin de fortalecer sus debilidades, de esta manera se le encuentra en (Lamberti, 2008), publicacin en la cual se expone el CLMPSA (Recocido simulado multinivel y multipunto, por sus iniciales en ingls). El CLMPSA busca soluciones en un espacio de bsqueda al igual que SA, pero con la diferencia de que tambin considera las soluciones intermedias no factibles que SA desecha. Paralelamente CLMPSA genera puntos de prueba, en los cuales, las variables de optimizacin son perturbadas simultneamente y las bsquedas posteriores son ejecutadas con base en las tendencias vistas luego de tal proceso. Con el nimo de comprobar los resultados obtenidos se aplica CLMPSA a seis problemas estructurales de optimizacin donde el objetivo es minimizar el peso de los elementos del conjunto. Ahora se presenta una publicacin de optimizacin en diseo referida a los materiales compuestos, los cuales tienden a utilizarse cada vez ms en muchas aplicaciones estructurales debido a sus ventajas mecnicas; aunque estos materiales son menos sensibles a la deformacin, su estudio es ms complejo que el de un material uniformemente compuesto, ya que diferentes patrones de deformacin debido a mltiples factores pueden hacer que las propiedades varen notablemente. Dichas caractersticas conllevan a que las estructuras de este tipo de materiales deban usar factores de seguridad ms altos, los cuales elevan el costo de los diseos finales. El objetivo de este estudio (Ertas & Somnez, 2011) es desarrollar una metodologa para maximizar la capacidad de carga de estas estructuras compuestas a travs de SA. Para concluir se cita a (Jiang et al ,2010) quien realiza un estudio en el cual, fusiona caractersticas de los procedimientos de SA con la tcnica de Algoritmos Genticos, reconociendo que, por ejemplo, algoritmos genticos puede presentar problemas de convergencia prematura que SA puede solucionar. Ensayos realizados por el autor muestran que el Algoritmo Gentico de Recocido Simulado presenta mejores resultados que cada una de estas tcnicas utilizada por separado. Finalmente el algoritmo creado es aplicado en un problema de secuencias de diseo de una lnea de ensamblaje de modelo mixto, la cual es una lnea de produccin en la cual todos los ensambladores deben tener la capacidad de trabajar en todas las estaciones del recorrido.

~ 60 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

A Manera de cierre se recomiendan dos documentos (Jain & Agogino, 1988), (Aly et al, 1995), que pese a no ser recientes, son excelentes ejemplos bsicos divulgativos para quien inicia en el estudio de SA. ______________________________________________________________________

Aly, S. & Ogot, M. M. & Pelz, R. (1995). Improved simulated annealing algorithm for optimal design, en American Society of Mechanical Engineers, 21st Annual Design Automation Conference, Vol. 82, N 1, pp. 423-429. Bonev B. & Cazorla M. & Martn F. & Matelln V. (2010) Portable autonomous walk calibration for 4-legged robots, en Applied Intelligence DOI 10.1007/s10489-0100249-9. pp. 1-12. Cagan, J. (1994) A shape annealing solution to the constrained geometric knapsack problem, en Computer-Aided Design, Vol. 26 N 10. pp. 763-769. Chen H. & Yin G. & Chen L. (2007).Optimization of electromagnetic gear structure parameters by genetic simulated annealing algorithm. en Journal of Huazhong University of Science and Technology (Natural Science Edition), Vol. 35, N 11, pp. 9-12. Ding J-B. (2010). Simulated annealing optimization of belt conveyor transmission, en Advanced Materials Research, Vol. 113-116 (Environment Materials and Environment Management), pp. 2373-2378. Ertas, A.H. & Sonmez, F.O. (2011). Design optimization of composite structures for maximum strength using direct simulated annealing, en Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, Vol. 225, N 1, pp. 28-39. Geman, S. & Hwang, C.R. (1986). Diffusions for global optimization, en SIAM Journal on Control and Optimization, Vol.24, pp.1031-1043. Glover, F. (Editor) & Kochenberger, G. A. (Editor) (2003). Handbook of Metaheuristics. Kluwer academic Publishers. pp. 287-321 Jain, P. & Agogino, A.M. (1988).Optimal design of mechanisms using simulated annealing: Theory and applications en American Society of Mechanical Engineers, Design Engineering Division, Vol. 14, pp 233-240. Jang S-H., (2008).A study on three dimensional layout design by the Simulated Annealing method, en Journal of Mechanical Science and Technology, Vol. 22, N 1, pp. 2016-2023.

~ 61 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Jiang, Y & Li, X. F.& Zuo, D.W.& Jiao, G.M.& Xue, S.L. Simulated annealing genetic algorithm and its application in mixed-model assembly line design, en Advanced Materials Research, Vol. 136 (Frontier in Functional Manufacturing Technologies) , pp. 64-68. Kirkpatrick, S. & Gelett, C.D. & Vecchi, M.P. (1983). Optimization by simulated annealing, en Science, New series, Vol. 220, N. 4598, pp. 671-680. Kirkpatrick, S. (1984). Optimization by simulated annealing--Quantitative studies, Journal of Statistics and Physics, Vol. 34, pp. 975-986. Lamberti, L. (2008). An efficient simulated annealing algorithm for design optimization of truss structures, en Computers and Structures, Vol. 86, N 19-20, pp. 1936-1953. Lin Y-S. & Shea K. & Johnson A. & Coultate J. & Pears J. (2010). A method and software tool for automated gearbox synthesis, en Proceedings of the ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference 2009, Vol. 5, Parte A, pp. 111-121. Markov, A. (2006). An Example of Statistical Investigation of the Text Eugene Onegin Concerning the Connection of Samples in Chains, en Science in context, Vol.19, N 4. Traducido por: Link, D. & Cunstance, G. pp. 591600. Parks, G. T. (1990). An Intelligent Stochastic Optimization Routine for Nuclear Fuel Cycle Design, en Nuclear Technology Journal, Vol. 89, N2, pp. 233-246. Paya-Zaforteza, I. & Yepes, V. & Gonzlez-Vidosa, F. & Hospitaler, A. (2010).On the Weibull cost estimation of building frames designed by simulated annealing, en Journal Meccanica, Vol. 45, N 5, pp. 693-704. Sui, W. & Zhang, D. & Wang, W. (2009). Roller bearings fault diagnosis based on LS-SVM, en Proceedings of the 2009 IEEE International Conference on Automation and Logistics, ICAL 2009, pp. 1848-1851. Xi, P. & Chen, L. (2010). Artificial intelligence optimization on automobile drive axle assembly. en Applied Mechanics and Materials, Vol. 34-35 (Mechanical Engineering and Green Manufacturing), pp.1920-1924. Yang, C. & Wang, H. (2010). Simulated annealing solver of power steering system based neural network, en ICIC 2010 - 3rd International Conference on Information and Computing, Vol. 4, pp. 44-47. Yu, S.-R. & Tao, J. (2011).Optimal design of automotive steering column bearing by simulated annealing algorithm, en Journal of Advanced Materials Research, Vol. 189-193 (Manufacturing Process Technology), pp. 1486-1493.

~ 62 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Yildiz, A. R. (2009).Hybrid immune-simulated annealing algorithm for optimal design and manufacturing, en International Journal of Materials and Product Technology, Vol. 34, N 3, pp. 217-226.

ndice de recursos en la internet http://www.monografias.com/trabajos70/formas-alotrpicas-hierro-combinacionescarbono/formas-alotrpicas-hierro-combinaciones-carbono.shtml (1) Consultado el 9 de


Octubre de 2011

http://www.phy.ornl.gov/csep/CSEP/MO/NODE32.html#SECTION0005140000000000000 0 (2) Consultado el 12 de Octubre de 2011.

~ 63 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

4. Optimizacin por Enjambre de Partculas


(Particle Swarm Optimization)

4.1. Introduccin Basado en la conducta social de algunas comunidades animales cuyo movimiento es sincronizado e impredecible, (como los bancos de peces o bandadas de pjaros) la Optimizacin por Enjambre de Partculas o PSO, por sus iniciales en ingls, es una tcnica de bsqueda/optimizacin metaheurstica reconocida por ciertas similitudes con AG, por ejemplo, es inicializada con una poblacin de soluciones al azar y busca ptimos creando actualizaciones o mejoras en cada individuo de la poblacin en cada iteracin o estado. Propuesta por (Kennedy Et Al, 1995) se caracteriza por la capacidad de ejecutar bsquedas en espacios muy grandes y por no utilizar el concepto de gradiente para realizar su labor, por lo cual, la funcin a optimizar no tiene que ser diferenciable. 4.2. El concepto bsico Supngase una bandada de pjaros buscando comida al azar en un rea del cielo y solo existe una pieza de alimento, las aves no saben dnde est el alimento, pero gracias a sus sentidos, si conocen qu tan lejos est cada una de l, de tal manera que la estrategia ms efectiva es seguir al pjaro que est ms cercano al objetivo. Tal idea es la base de PSO, cada pjaro equivale entonces a una solucin en el espacio de bsqueda y se conoce comnmente como partcula. 4.3. El Mecanismo En PSO cada solucin es movida en el espacio de bsqueda de acuerdo a criterios matemticos calculados sobre sus valores previamente obtenidos (en anteriores iteraciones de s misma) y los de su entorno, el movimiento de cada partcula est influenciado por su mejor posicin local conocida y simultneamente por la mejor posicin conocida de cualquier partcula en todo el enjambre. Cada partcula recuerda el rastro que ha recorrido en el espacio de bsqueda interpretndolo como una coordenada, adicionalmente, en cada iteracin se evala qu tanto satisface la partcula al valor esperado para la Funcin Objetivo, es decir se evala su aptitud (Reynolds, 1987) propuso un modelo de conducta, previo a PSO, para procesos computacionales que tuviesen entidades que hoy en da se podran clasificar como partculas, para estos casos se plantearon 3 reglas (Figura 4.1): Separacin: Cada solucin intenta alejarse de sus vecinos si estn ubicados muy cerca.

~ 64 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Alineamiento: Cada solucin se enfila haca un lugar (geomtrico o matemtico) que promedia las direcciones de sus vecinos en esa iteracin. Cohesin: Cada solucin Trata de dirigirse haca una posicin promedio de sus vecinos.

Figura 4.1. Reglas de Reynolds, esquemas de separacin, alineamiento y cohesin.

Posteriormente (Kennedy et al, 1995) incluyeron un elemento central que simplificaba las simulaciones de Reynolds, de tal manera que: Cada solucin era atrada hacia ese elemento. Cada solucin recordaba cundo estuvo ms cerca de tal elemento. Las partculas compartan informacin entre s acerca de su posicin ms cercana a l.

Tal elemento central involucraba la mejor solucin obtenida hasta el momento por cada partcula. 4.4. La metaheurstica 4.4.1. El vecindario de las partculas: Se ha sealado que las partculas comparten informacin con sus similares en su entorno, sin embargo, no se ha especificado cul es ese vecindario, dicha topologa es de suma importancia, debido a que define qu individuos influencian a cada individuo. En la Figura 4.2 se muestra la Topologa de las configuraciones ms comunes de vecindarios en PSO. Cada enjambre est compuesto por una serie de partculas 1, 2, , , la posicin de una partcula en el espacio de bsqueda corresponde a una solucin candidato al problema considerado, el cual es representado por una funcin objetivo ; todo esto entendiendo que una partcula cualquiera interacta con su entorno o vecindario matemtico ( ) intercambiando informacin. 4.4.2. Variables de PSO:

~ 65 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Figura 4.2. Esquemas de la topologa de PSO tomado de (1)

En cada iteracin, cada partcula es influenciada y actualizada por 2 Mejores Valores: Su mejor solucin alcanzada hasta el momento llamada Pptimo (Pbest) o simplemente y conocida tambin como memoria. La mejor solucin alcanzada por cualquier partcula en el espacio de bsqueda llamada Gptimo (Gbest) o simplemente y tambin conocida como mejor solucin histrica.

Paralelamente, el mtodo incluye 2 valores de definicin del problema: Vector Posicin: Es una variable inicializada aleatoriamente y que identifica a una partcula cualquiera en una posicin en el espacio de bsqueda, es decir equivale a una posible solucin al problema de optimizacin. Vector Velocidad: Es la variable que establece las tendencias del movimiento de una partcula:

El Vector Velocidad se define como:


1 1 2

(4.1)

Siendo: 1 la velocidad de la partcula. es un nmero aleatorio entre cero y uno. c1, c2 son los denominados factores de aprendizaje y usualmente toman valores entre cero y cuatro. [ 1] es la solucin actual de la partcula, (Vector Posicin). es llamado Peso de Inercia.

c1 se denomina Constante de aceleracin cognitiva y c2 se denomina constante de aceleracin social; c1 y c2 representan la ponderacin de los trminos de variacin de velocidad que atraen a cada partcula hacia pBest o gBest, valores bajos permiten a las partculas vagar lejos de las regiones objetivo antes de ser atradas de vuelta, por otra

~ 66 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

parte, valores altos causan movimientos abruptos hacia las regiones objetivo. Por su parte el uso del peso de inercia provee un balance entre la exploracin global y la local y resulta en la posibilidad de utilizar menos iteraciones para hallar la solucin ptima. Si los valores de , c1 y c2 son elegidos correctamente se garantiza que las velocidades de las partculas no crezcan descontroladamente hasta el infinito (Clerc, 2002). Un peso de inercia alto reduce la influencia de la memoria y su influencia sobre el movimiento de las partculas, puede decirse entonces que crea condiciones para la exploracin global, pero no para bsquedas minuciosas. Un peso de inercia bajo crea la tendencia en las partculas a converger hacia la solucin propuesta por la propia partcula y por la solucin global para esa iteracin. El Vector Posicin se define como: 1 1 (4.2) 1 determina el mximo

Se concluye entonces que el valor del Vector Velocidad cambio que una partcula puede tener en una iteracin.

En resumen, en cada iteracin de PSO cada una de las partculas recorre el espacio matemtico de las posibles soluciones con una determinada Velocidad hacia nuevas posiciones (nuevas posibles soluciones) de acuerdo con su experiencia adquirida y aprovechando tambin el conocimiento de las otras partculas en el espacio de bsqueda. Los tres trminos en la frmula de actualizacin de la Velocidad (4.1) describen las conductas locales que las partculas siguen. El primero es llamado inercia o momento, sirve como memoria de la anterior Direccin de Vuelo de la partcula, previniendo que la partcula cambie drsticamente su orientacin. (4.3)

El segundo trmino llamado cognitivo, memoria o nostalgia, modela la tendencia de las partculas a regresar a sus mejores soluciones previamente encontradas. 1 (4.4)

El tercer trmino llamado componente social o de grupo cuantifica la actuacin de la partcula con relacin a su vecindario. (4.5)

~ 67 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Es muy importante controlar la Velocidad en la inicializacin del mtodo, puesto que en algunos casos las partculas pueden ser atradas a regiones fuera del espacio de bsqueda factible, por tal motivo (Engelbrecht, 2005) propuso un mecanismo de correccin clasificable como poco invasivo, dado que no altera de manera sustancial el procedimiento de PSO; tal procedimiento se basa en imposibilitar que las partculas que se muevan hacia afuera del espacio factible actualicen su posicin, lo que conlleva a que por efecto de la componente Nostalgia sean atradas de vuelta al espacio factible con el paso de las iteraciones.

Figura 4.3. Diagrama PSO

~ 68 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

4.4.3. Caractersticas En la Figura (4.3) se muestra el diagrama de Flujo de PSO, a partir de l se puede comprobar que en PSO hay pocos parmetros para ajustar, por lo que una versin general puede trabajar con resultados satisfactorios en un amplio rango de aplicaciones. PSO es similar en ciertos aspectos a AG y a otros algoritmos clasificados como evolucionarios, entre tales aspectos pueden enumerarse: El procedimiento se genera desde una poblacin inicial de carcter aleatorio. En cada iteracin se realiza una evaluacin a cada individuo respecto de la funcin objetivo. Cada uno de los individuos de la poblacin general suele cambiar su morfologa despus de cada evaluacin.

Sin embargo PSO cuenta con algunas ventajas sobre AG, una de ellas es que no necesita de una codificacin para las soluciones, que en el caso de AG suele ser binaria, adicionalmente el enjambre de partculas en PSO se mueve en varias dimensiones en el espacio de bsqueda, razn por la cual le es posible modelar problemas que requieran interpretaciones en varias dimensiones. Adicionalmente es necesario sealar que las velocidades de las partculas en cada dimensin estn sujetas a una Velocidad Mxima, de tal manera que si la tendencia a cambiar la Velocidad (conocida como aceleracin) causa que la misma se acerque al valor mximo en alguna dimensin, se ver restringida por l y no lo superar. 4.4.4. Parmetros de PSO (en dominios discretos) Nmero de partculas: Para un problema promedio suele oscilar entre veinte y cuarenta (1), sin embargo, si con diez es suficiente, diez sern utilizadas, todo depende del criterio del programador; para aplicaciones muy complejas pueden considerarse incluso doscientas partculas. Rango: El rango de accin de las partculas es definido por cada problema. Velocidad mxima (Vmax): Es aquella que indica el mximo cambio que puede tener una partcula en una determinada iteracin, comnmente se configura el rango de la partcula en relacin con Vmax. Condicin de parada: Puede definirse la condicin de parada del proceso mediante un nmero lmite de iteraciones alcanzadas o un mnimo error logrado por la mejor solucin respecto de la funcin objetivo. Tipo de bsqueda: Las bsquedas en PSO, as como en otras tcnicas metaheursticas, pueden clasificarse en Globales o Locales segn su enfoque. Las bsquedas globales suelen ser ms rpidas, pero pueden converger en soluciones ptimas locales.

Gran cantidad de aplicaciones para PSO son diseadas para bsquedas en dominios continuos (2); sin embargo tambin existen para trabajar en espacios discretos, por ejemplo, (Wang Et Al, 2003).

~ 69 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Anterior a Wang, (Kennedy Et Al, 1997) presentaron un algoritmo binario de optimizacin por enjambre de partculas, en este trabajo la posicin de la partcula es una variable discreta, pero la velocidad es continua y la evaluacin se lleva a cabo as: El ensimo componente del Vector Velocidad de una partcula es utilizado para computar la probabilidad con la cual el ensimo componente del vector de posicin de la partcula toma un valor de uno. Las velocidades son actualizadas como en el modelo clsico de PSO, pero las posiciones son recalculadas cada vez con: 1 1 0 1 (4.6)

donde 1 es el ensimo componente del vector de posicin de una partcula determinada, es un numero aleatorio uniformemente distribuido ubicado en el rango entre cero y uno y: 1 1 (4.7)

Alternativamente, existen muchas variaciones al PSO original reportadas en la literatura especfica, por ejemplo, algunos en que la topologa del vecindario es dinmica (Mohais Et Al, 2005) y (Suganthan, 1999) y otros tantos que aplican reglas para calcular la Velocidad diferentes a las aqu reseadas en el numeral 4.4.2 (Liu Et Al, 2005) y (Poli Et Al, 2005). Finalmente se resea un documento que muestra la tendencia por parte de los investigadores a modificar al algoritmo de PSO buscando soluciones especficas, por ejemplo, la publicacin de (Iqbal Et Al, 2006) realiza mejoras en la definicin del Vecindario de las Partculas. 4.5. Aplicaciones PSO En primera instancia se resea el documento de (Zhang Et. Al.,2011) en el que se realiza el diseo y el anlisis cinemtico de un Mecanismo Paralelo Plano Controlable, el cual es una configuracin de eslabones que combina los movimientos de dos motores elctricos distintos (un servomotor y motor elctrico tradicional) para obtener un movimiento de salida programable en un determinado eslabn; el aporte de potencia principal proviene de un motor a velocidad constante y adicionalmente el servomotor permite la posibilidad de obtener una salida controlable en el eslabn de salida. El documento comienza con una revisin bibliogrfica de artculos de otros autores que han trabajado en anlisis cinemticos de estos mecanismos, tambin conocidos como mecanismos hbridos; en un principio, su primera revisin bibliogrfica muestra mayormente casos en los que se emplean mtodos de optimizacin tradicional para los susodichos.

~ 70 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

El gran inconveniente radica en que estos mtodos tienen inconvenientes para hallar valores ptimos globales porque tienden a quedar fcilmente atrapados en ptimos locales, por tal razn el autor decide recurrir a PSO, considerando sus ventajas, como la de necesitar pocos parmetros de ajuste y porque es ms sencillo de implementar que otros mtodos no tradicionales. El objetivo principal de Zhang et. al. es trazar el diseo cinemtico ptimo del mecanismo controlable derivado de su modelo matemtico y presentar su anlisis cinemtico. Descripcin del mecanismo La Figura (4.4.) muestra la configuracin del mecanismo de cinco barras tal y los autores lo plantean (las notaciones utilizadas por el no sern modificadas para esta resea). El mecanismo tiene un eslabn (extremo derecho de la Figura) diseado para estar acoplado a un mecanismo de tornillo de potencia (llamado ahora potencia secundaria) con el fin de convertir el movimiento de rotacin en uno lineal por medio de un collarn, el cual se asume sin friccin.

Figura 4.4. Configuracin del mecanismo de 5 barras. Tomado de Zhang et al.

Recurdese que la manivela es impulsada por un motor DC a travs de un reductor mientras que el collarn es impulsado por un tornillo gua acoplado al servomotor. a1, a2, a3, a4 son las longitudes de las barras (m) , , , son los desplazamientos angulares de las barras (rad) , , , son las velocidades angulares (rad/s) , , , son las aceleraciones angulares de las barras (rad/ ) L, , desplazamiento, velocidad y aceleracin del collarn en el eslabn de salida (m, m/s, m/ ) P es la fuerza impresa en el collarn por el motor secundario (N) El torque desde el motor DC (Nm) MTorque de arrastre en el eslabn de salida (Nm) Xi ,Yi son distancias al centro de masa de los eslabones en coordenadas fijas (m)

~ 71 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

es el ngulo de enganche del eslabn conductor principal (conectado al motor DC) respecto del punto C (grados). es el ngulo de enganche del eslabn conductor asistente (conectado al servomotor) del punto C (grados).

Anlisis cinemtico La salida del sistema depende de dos entradas independientes desde los motores y de la geometra del mecanismo de 5 barras y es evaluada en funcin de . En general el modelo de un sistema mecnico puede ser considerado como un sistema rgido inercial y tambin puede considerarse que no existe friccin ni holgura en las articulaciones. Al tener en cuenta que el mecanismo tan solo tiene 2 grados de libertad, entonces las variaciones en los ngulos pueden ser expresadas como (4.8)

se refiere al desplazamiento creado por el movimiento principal y Donde movimiento asistente. Despreciando prdidas por friccin y en energa cintica es posible plantear: 0 Para posteriormente despejar y (4.9)

al

Paralelamente puede plantearse la siguiente relacin al aprovechar el hecho de que el mecanismo puede interpretarse como un lazo cerrado (4.10)

Al resolver la anterior ecuacin las posiciones angulares del eslabn B y C se obtienen. Habiendo encontrado los desplazamientos angulares de cada eslabn como y las derivadas respecto del tiempo pueden ser tomadas para hallar velocidades y aceleraciones angulares. A partir de este momento el autor desarrolla clculos cinemticos basados en la geometra del problema para finalmente llegar a determinar las posiciones de los centros de masa de cada eslabn en un sistema de coordenadas fijo. Utilizando estas ecuaciones se obtienen entonces las aceleraciones de tales centros de masa en coordenadas absolutas. Modelo matemtico del diseo ptimo para el mecanismo controlable en PSO:

~ 72 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Variables de diseo: Los autores consideran que el mecanismo hbrido puede ser determinado seleccionando un vector de diseo como el siguiente: , donde , , , , , (4.11) 1

(Vase Figura 4.4) Funciones objetivo: El problema de determinar las dimensiones ptimas de los eslabones es definido como un problema de optimizacin bajo restricciones; con el fin de asegurar la mejor representacin matemtica para el movimiento relacionado al servomotor las funciones objetivo son diseadas as: Modelo 1: min

(4.12)

Modelo 2: max Modelo 3: min siendo max max (4.14) max (4.13)

el valor del ngulo del eslabn conectado al collarn, (Vase Figura 4.4)

Restricciones: Estas funciones que consisten en condiciones matemticas, expresadas en forma de desigualdad, son planteadas de tal manera que sean compatibles con la herramienta de optimizacin de Matlab y se pueden clasificar de 2 maneras Restriccin relacionada con la condicin mvil del mecanismo controlable: Para asegurar la existencia del mecanismo es necesario que se cumplan las siguientes restricciones 0 0 0 (4.15) (4.16)

(4.17)

~ 73 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

min

(4.18)

Restriccin relacionada con el ngulo de acoplamiento

Tomando en cuenta la existencia de los movimientos principal y secundario, el ngulo de acople del mecanismo est correlacionado con la actual velocidad, direccin y sentido del punto C en la Figura 4.4., los ngulos de acople pueden ser definidos mediante el mtodo de sntesis de velocidad o por otras tcnicas de anlisis cinemtico, Zhang et al plantean estas restricciones como: |tan | tan 0 (4.19) (4.20)

|tan Donde

tan

es el ngulo de transmisin admisible.

Optimizacin del mecanismo-PSO- Configuracin de parmetros: Los principales parmetros de PSO son configurados de la siguiente manera: Peso de Inercia: El parmetro de inercia o w es introducido para controlar el impacto del historial previo de velocidades en la actual velocidad; un peso de inercia ms grande facilita la optimizacin global y uno menor facilitar procedimientos locales, Zhang et al definen el peso de inercia mediante su expresin general: (4.21)

donde: : Es el mximo valor de w : Es el mnimo valor de w : El mximo nmero de iteraciones : El nmero de la iteracin actual Los Parmetros y : Las llamadas constantes de aceleracin controlan la distancia mxima que una partcula puede recorrer entre 2 iteraciones, los autores del texto indican que basados en trabajos de otros investigadores deciden asumir un valor para las constantes de dos (2).

PSO en conjunto con mtodos de refinado:

~ 74 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Siendo un mtodo de bsquedas globales, se esperan mejores resultados en una optimizacin por PSO si esta se complementa con un mtodo que refine el procedimiento a una escala local, basado en esto, el autor se inclina por una bsqueda local basada en gradientes de tal manera que la solucin candidata hallada por PSO en cada iteracin es utilizada como una solucin inicial para emprender la bsqueda final a travs de la funcin fmincon de Matlab, al complementarse estas dos tcnicas Zhang et al consideran que se cre un algoritmo hbrido y de ah en ms lo nombraran as. Algoritmo de optimizacin: El procedimiento del algoritmo hbrido se representa en 7 pasos as: Inicializar Velocidad (v) y Posicin (x) en cada partcula. Calcular la aptitud de cada partcula. Si el valor de aptitud actual es mejor que el mejor valor de aptitud histrico de la partcula (pBest), fijar el nuevo valor de aptitud como pBest. Escoger la partcula con el mejor valor de aptitud y fijar ese valor como gbest. Calcular la nueva Posicin y Velocidad de las partculas con los criterios (4.1) y (4.2) de este documento. Seleccionar la solucin anterior como punto inicial y llevar a cabo una bsqueda basada en gradientes utilizando Matlab y su funcin fmincon. Cuando el mximo nmero de iteraciones o el criterio de mnimo error es alcanzado, la partcula con el mejor valor de aptitud (evaluado respecto a su posicin) es seleccionada y el procedimiento se detiene, de no ser as se regresa nuevamente al clculo de la aptitud de cada partcula.

Ejecucin del algoritmo y ejemplos: Finalmente y para verificar la efectividad del mtodo creado, se asignan valores iniciales para las longitudes de los elementos y los valores de los ngulos (incluido ), los cuales se seleccionaron gracias a previos estudios de los autores. El perfil del movimiento de salida se establece en forma sinusoidal como: 1 2 2 0 (4.22) 2

donde

64

1 2

Finalmente los autores definen el ndice cinemtico de manipulabilidad, ( ) , criterio que permite evaluar el desempeo del mecanismo, indagando qu tanto puede optimizarse la salida (hacerse ms precisa, ms cercana ,en trminos de coordenadas fijas, de donde se desea que est) en el eslabn a evaluar, esto en trminos de los ngulos de acople de las fuentes motrices; de ah en ms los autores muestran sus resultados comparando su

~ 75 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

algoritmo hbrido (PSO + Matlab) con la solucin nicamente mediante Matlab, aprecindose una mejora con el mtodo hbrido. Otros ejemplos: Otro ejemplo del uso de PSO en diseo es publicado por (Sun Et Al, 2011), en este trabajo se busca la optimizacin de la viga principal de un puente-gra, este problema tiene la particularidad de contar con restricciones no lineales y es fundamental para lograr ahorros de material y por lo tanto reducir costos. Un algoritmo de PSO con modificaciones (MPSO) es propuesto para tal fin, este mtodo se caracteriza por reglas que evalan la factibilidad de las soluciones y es utilizado para resolver problemas de optimizacin de variables combinadas. El objetivo principal es minimizar el peso muerto de la viga el cual depende de las dimensiones estructurales de los elementos

Figura 4.5. Corte transversal de la viga de la gra en Sun et al.

La figura 4.5 muestra la geometra de la viga e identifica los parmetros de la misma. es el largo del perfil longitudinal , es el largo de los travesaos , son los grosores de los travesaos , son los grosores de los parales La Funcin Objetivo es el peso muerto de la viga principal y es expresada como:

~ 76 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia min /

(4.23)

siendo , y los pesos de otras lminas adjuntas a la viga que no se muestran en la Figura (4.5) , L es la longitud de la viga y es la densidad del material. Para este caso las restricciones son desigualdades que se refieren a: Esfuerzo normal Esfuerzo cortante Rigidez en la coordenada vertical Rigidez en la coordenada horizontal Rigidez dinmica Esbeltez Grosor de lmina. Una vez establecidas las restricciones, es importante referir que en este algoritmo MPSO diferentes tipos de variables son evaluadas en formas diferentes y aparece un concepto nombrado como Operador de Turbulencia, el cual se propuso en la actualizacin de la velocidad para expandir el rango de bsqueda de cada partcula y por consiguiente evitar la convergencia prematura. MPSO se caracteriza por sus reglas basadas en la factibilidad de las soluciones y esto se resume en: Cualquier solucin factible se prefiere sobre una no factible. Entre dos soluciones no factibles se prefiere la que tiene menor violacin de restricciones.

Finalmente Sun et. al. comparan los resultados de MPSO con otras tcnicas de optimizacin y se encuentra que se hace presente una mejora significativa. Cambiando de publicacin, se resea una investigacin en la seleccin de parmetros de mecanizado como un paso importante en el proceso de agendado de tareas en una planta de produccin; atendiendo la importancia de aquel asunto (Cus et al, 2009) desarrollaron una investigacin para optimizar el proceso de mecanizado, este estudio ha presentado optimizacin multiobjetivo del proceso de fresado utilizando modelado de redes neuronales y PSO. La idea es optimizar simultneamente parmetros de mecanizado en procesos de alta velocidad de fresado donde se presentan varios objetivos que pueden llegar a ser contradictorios. Por otra parte (Vanucci, 2009) presenta un algoritmo adaptativo de PSO cuyos parmetros numricos pueden actualizarse siguiendo un protocolo programado que se gua en algunos conocidos criterios de convergencia con el fin de aumentar las posibilidades de alcanzar el ptimo global, todo esto enfocado haca la manufactura de laminados compuestos. Para esto Vanucci propone un nuevo algoritmo PSO, llamado ALE-PSO (Adaptive evolucin Local PSO) que tiene la posibilidad de ajustar parmetros de un algoritmo estndar de PSO y dejarlos evolucionar a travs de un criterio especificado por el usuario; cada valor de los parmetros se puede actualizar

~ 77 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

independientemente de los otros, a fin de optimizar el equilibrio entre las capacidades de exploracin (global y local) del procedimiento numrico con respecto a la Funcin Objetivo, el algoritmo tambin puede manejar problemas con restricciones, mediante una tcnica que, esencialmente, controla las fronteras de factibilidad. Analizando nuevamente trabajos de anlisis cinemtico se recurre a (Quinsong et al, 2006) quienes presentaron como resultado de su trabajo, su Micromanipulador en Paralelo Compatible (CPM) dispositivo con aplicaciones en montajes que cuentan con movimientos de traslacin y tres grados de libertad mostrando una excelente precisin. Para comenzar, considerando las restricciones dimensionales impuestas en el mecanismo tanto por los actuadores piezoelctricos como por las bisagras a utilizar, se decide definir el espacio mximo utilizable, un cilindro, en el cual el mecanismo debe estar circunscrito; a partir de ah y buscando realizar la optimizacin de las dimensiones mximas del mecanismo, se recurre a PSO. Simultneamente el problema se soluciona mediante AG con la intencin de comparar los resultados, hallando que PSO arroja resultados ms satisfactorios. Dos estudios, (Sakthivel et al ,2010) y (Ranjith et. al., 2010), trabajan sobre motores de induccin, en el primero, el diseo del motor de induccin se aborda como un problema no lineal y restringido en mltiples variables mientras que la Funcin Objetivo es el costo del material del motor y la intencin es minimizarlo; luego, PSO es utilizada para definir un conjunto de variables ptimas de diseo las cuales son empleadas para calcular criterios de desempeo del motor y abordar la Funcin Objetivo. En el segundo, Ranjith et. al. buscan minimizar las prdidas de hierro y cobre que se presentan en el funcionamiento y optimizar la eficiencia de un motor de induccin de velocidad variable. El mejoramiento de la eficiencia es obtenido al ajustar el componente responsable del flujo de corriente, que genera el campo magntico, respecto del componente encargado de regular el torque en el motor, todo esto llevado a cabo en un algoritmo que integra a PSO con procesos de Lgica Difusa. (Hassanzadeh et. al, 2008) en su documento abordan una aplicacin de Control, presentando un acercamiento al diseo ptimo de un Pndulo Rotatorio Invertido o RIP por sus siglas en ingls. Este RIP est concebido para testear procedimientos de control y es bsicamente un mecanismo con un brazo mvil que oscila y sobre el que se programan algoritmos para que algn cuerpo, posicionado en el extremo del brazo mvil, no sufra cambios en su posicin o esos cambios sean completamente controlados. El principal objetivo de la investigacin es lograr balacear el RIP en una posicin invertida con lo cual se reduce el error absoluto en el sistema de ngulos, todo esto mediante aplicacin de PSO. Una interesante aplicacin en robtica se encuentra en (Masehian et al, 2010) quienes dedican su publicacin a exponer algoritmos multiobjetivo para trazar las rutas a seguir de componentes robticos, persiguen principalmente dos objetivos, la ruta ms corta y la ms suave (la que menos sobresaltos tiene, lo cual implica aceleraciones cercanas a cero). Se propondrn entonces dos acercamientos, para comenzar, se propone un algoritmo hbrido que inicia con PSO para realizar un acercamiento global al problema y lo complementa con el mtodo de Hoja de Ruta Probabilstica con el cul realiza tareas de

~ 78 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

bsqueda a nivel local. Su segunda aproximacin utilizar el NPSO (Negative Particle Swarm Optimization), que a diferencia de PSO, en el cual las actualizaciones se basan en la atraccin haca las mejores partculas, ahora en NPSO las partculas se ven repelidas por el peor valor que alguna partcula haya encontrado. Para concluir, los autores encuentran que los resultados de NPSO son mejores que los de PSO, puesto que las rutas son ms cortas y ms suaves. La versatilidad de PSO permiti a (Noorul Haq et al, 2004) abordar un problema en diseo de una planta de produccin. En este trabajo se propone la optimizacin de las tolerancias de los espacios entre las mquinas de una lnea de embragues, la idea es obtener tolerancias ptimas en cada componente para lograr el costo mnimo de manufactura; maquinarias mal posicionadas podran afectar la lnea provocando desde desperdicio de espacio til, por exceso, hasta choques entre diferentes componentes, por defecto. A manera de conclusin se trae a colacin la investigacin de (Coelho, 2010) en la cual inspirado por PSO y principios de mecnica cuntica se crea al QPSO u Pptimizacin por Enjambre de Partculas con comportamiento cuntico. Esta novedosa tcnica utiliza el operador de mutacin de AG con una distribucin de probabilidad Gaussiana; la aplicacin de esta Mutacin Gaussiana en lugar de las conductas con notorio grado de aleatoriedad que suele utilizar PSO para su inicializacin, es una poderosa herramienta para mejorar el desempeo del QPSO en prevenir convergencias prematuras hacia valores ptimos locales. Dos casos son estudiados para comprobar el comportamiento de la tcnica, el diseo de un recipiente a presin y de un resorte de tensin-compresin. ________________________________________________________________________

Kennedy, J & Clerc, M. (2002) The particle swarm-explosion, stability and convergence in a multidimensional complex space, en IEEE Transactions on Evolutionary Computation, Vol.6, N1, pp. 58-73. Engelbrecht, A.P.(2005) Fundamentals of Computational Swarm Intelligence. John Wiley & Sons. Kennedy, J & Eberhart, R. (1995) Particle swarm optimization, en Proceedings of IEEE International Conference on Neural Networks, pp. 1942-1948 Reynolds, G.W. (1987). Flocks, herds, and schools: A distributed behavioral model, en ACM Computer Graphics, Vol. 21, N 4, pp. 2534. Kennedy, J & Eberhart, R. (1997). A discrete binary version of the particle swarm algorithms, en Proceedings of the IEEE International Conference on Systems, Man and Cybernetics, pp. 4104-4108. Mohais, A. & Mendes, R. & Ward, C. & Postoff, C. (2005) Neighborhood re-structuring in particle swarm optimization, en Proceedings of the 18th Australian Joint Conference on Artificial Intelligence, pp. 776785.

~ 79 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Suganthan P. (1999). Particle swarm optimiser with neighbourhood operator, en Proceedings of the 1999 IEEE Congress on Evolutionary Computation, pp. 1958 1962. Liu, J. & Xu, W. & Sun, J. (2005). Quantum-behaved particle swarm optimization with mutation operator, en Proceedings of the 17th IEEE International Conference on Tools with Artificial Intelligence, pp. 237 240. Poli, R. & di Chio, C. & Langdon W. (2005) Exploring extended particle swarms: A genetic programming approach, en Proceedings of the 2005 conference on Genetic and Evolutionary Computation, pp. 169176. Wang, K-P & Huang, l & Zhou C-G & Pang W. (2003). Particle swarm optimization for traveling salesman problem, en Proceedings of the 2003 IEEE International Conference on Machine Learning and Cybernetics, pp. 1583 1585. Iqbal, M. & Montes de Oca, M. (2006). An estimation of distribution particle swarm optimization algorithm, en Ant Colony Optimization and Swarm Intelligence. 5th International Workshop, ANTS 2006, pp. 7283. Zhang, K.& Wang, S. (2011). Kinematics Design of a Planar Parallel Controllable Mechanism Based on Particle Swarm Optimization Algorithm, en Journal of computers, Vol. 6, N. 6, pp.1094-1101. Sun, C. & Tang, Y. & Zeng, J. & Pan, J. & Tao, Y., (2011).The Structure Optimization of Main Beam for Bridge Crane Based on an Improved PSO, en Journal of computers, Vol. 6, N. 8, pp.1585-1590. Cus, F. & Zuper, l.U. (2009). Particle swarm intelligence based optimization of high speed end-milling, en Computational Materials Science and Surface Engineering, Vol.1. pp. 148-154. Vanucci, P., (2009). ALE-PSO: An Adaptive Swarm Algorithm to Solve Design Problems of Laminates, en Algorithms, Vol. 2, pp. 710-734. Qingsong, X. & Yangmin, L. (2005). Kinematic Analysis and Optimization of a New Compliant Parallel Micromanipulator, en International Journal of Advanced Robotic Systems, Vol. 3, N. 4, pp.351-358. Ranjith, K. & Sakthibala, D. & Palaniswami S. (2010).Efficiency Optimization of Induction Motor Drive using Soft Computing Techniques, en International Journal of Computer Applications. Vol. 3, N1. Sakthivel, V.& Bhuvaneswari, R.& Subramanian, S. (2010) Economic Design of ThreePhase Induction Motor by Particle Swarm Optimization, en Journal Electromagnetic Analysis & Applications, pp. 301-310.

~ 80 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Hassanzadeh, I. & Mobayen, S. (2008). PSO-Based Controller Design for Rotary Inverted Pendulum System, en Journal of applied sciences, Vol. 8, pp. 2907-2912. Masehian, E. & Sedighizadeh, D. (2010). Multi-Objective PSO- and NPSO-based Algorithms for Robot Path Planning, en Advances in Electrical and Computer Engineering, Vol.10, N4 Noorul Haq, A. & Sivakumar, K. & Saravanan, R. & Karthikeyan, K. (2004) Particle swarm optimization (PSO) algorithm for optimal machining allocation of clutch assembly, en International Journal of advanced Technology, Vol. 27. pp. 865-869. dos Santos Coelho L.(2010) Gaussian quantum-behaved particle swarm optimization approaches for constrained engineering design problems, en Expert Systems with Applications, Vol. 37, pp.16761683

ndice de recursos en la internet http://www.swarmintelligence.org/tutorials.php (1) http://www.scholarpedia.org/article/Particle_swarm_optimization(2)

~ 81 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Glosario
Ascenso de Colinas Algoritmo Coevolucionario Algoritmos inmunes Alineamiento Automovil Barras- Mecanismo de Biela Manivela Biorreactor Bus- chasis de Bsqueda- Espacio de Bsqueda- Experiencia de Cambios- Cajas de Caracol- Engranaje de Caracteres- Cadena de Cargas Cinta transportadora CNC Cojinete Contragolpe Control Costo computacional Cromosoma Deflexiones Demonio- Acciones del Desbalance Desgaste Diferencial Direccin- Columna de Distancia entre centros Distorsiones Trmicas Ejes Elementos Finitos Engranaje Cnico Engranaje Recto Engranajes Engranajes Helicoidales Engranajes planetarios 8, 23, 42 21 58 39, 63 22, 56, 58 17, 21, 66, 74 19 20 22 4, 6 ,9 ,23 ,30 ,34 ,43 ,47 ,62 30 20,57 21 9,14 20 57 33,38 21, 22, 23, 39, 57 23 74 5,48 9,15 23 31 39 29 21 57 58 36 20, 22, 23, 39, 57 20,22 22,23 22,23 18, 20, 22 57 55

~ 82 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Error de Transmisin Estructuras- Diseo de Femur- Prtesis del Fenotipo Feromona Fresado Funcin Objetivo gBest Genotipo Giffler Y Thompson- Algoritmo de Grupo- Tecnologa de Inercia- Peso de Juego Laminados Compuestos Mantenimiento Manufactura flexible- Sistema de Maquinado Masa Concentrada- Modelo de Materiales compuestos Matlab Mecnica cuntica Micromanipulador Mdulo- Engranaje del Motor hidrulico NPSO Paleta servorotatoria Partes- Familias de pBest Pndulo rotatorio Pierna Artificial Puente Gra Recipiente a presin Redes Neuronales Resorte Robot Rotor- cuchillas del Simulacin Monte-Carlo Temperatura Final Temperatura Inicial Temperatura- Parmetro de Tolerancias Torneado Tornillo Sin Fin Transmisin por Engranajes

22 21, 54, 58 20 10, 13, 14 29, 30, 31 73 9, 11, 13, 21, 30 62 10, 13, 14 35 38 62 39 73 22 33, 34 34, 38 20 58 20, 22, 71 75 74 23 22, 38 74 36 36 62 74 19 72 75 23, 38, 57 75 20, 54, 55, 74 20 22 44, 48 44, 48 43, 44 22, 23, 38, 77 58 56 22, 23, 57, 72

~ 83 ~

Aplicacin de Tcnicas de Optimizacin Bioinspiradas en Problemas de Diseo Mecnico. Universidad Nacional de Colombia

Transmisiones de precisin Vecindario- Topologa del Vector Posicin Vector Velocidad Velocidad crtica Velocidad- de Reductor Velocidad- Relaciones de Viajero- Problema del vendedor Vibraciones- Amortiguamiento de las Vibraciones- Anlisis de Vigas Volcamiento

21 61, 66 62 62 22 58 20 8, 28 23 22, 23, 39 20, 31, 74 21

~ 84 ~